Авторы говорят, что их работа открывает путь к прогрессу в выявлении и лечении заболеваний мозга, а также в системах искусственного интеллекта (ИИ) с глубоким обучением. Подробности можно найти в текущем выпуске журнала Nature Scientific Reports.Как объясняет Зигельманн, фМРТ обнаруживает изменения в нейронном кровотоке, позволяя исследователям связывать активность мозга с когнитивным поведением, таким как разговор. Она говорит: «Исследование на основе фМРТ проделало замечательную работу, связав определенные области мозга с деятельностью.
Но никто никогда не связывал вместе десятки тысяч экспериментов, проведенных на протяжении десятилетий, чтобы показать, как физический мозг может вызывать абстрактное мышление».Она и ее коллеги обнаружили, что когнитивные функции и абстрактное мышление существуют как скопление множества корковых источников, начиная от источников, близких к сенсорной коре, и заканчивая гораздо более глубокими от них, вдоль коннектома мозга или схемы соединений. Зигельманн является директором Лаборатории биологических нейронных и динамических систем в Университете Массачусетса, Амхерст, и одним из 16 получателей в 2015 году программы Национального научного фонда (NSF) по исследованию мозга посредством продвижения инновационных нейротехнологий (BRAIN), инициированной президентом Обамой для углубления понимания работы мозга. .Авторы говорят, что их работа демонстрирует не только базовую операционную парадигму познания, но и показывает, что все когнитивные модели поведения существуют в иерархии, начиная с наиболее ощутимых форм поведения, таких как постукивание пальцами или боль, затем до сознания и простираясь до самых абстрактных мыслей и т. Д. такие действия, как наименование.
Они добавляют, что эта иерархия абстракций связана с коннектомной структурой всего человеческого мозга.Для этого исследования исследователи использовали подход науки о данных.
Сначала они определили физиологически направленную сеть всего мозга, начиная с областей ввода и маркируя каждую область мозга расстоянием или «глубиной» от сенсорных входов. Затем они обработали огромное хранилище данных фМРТ. «Идея заключалась в том, чтобы спроецировать активные области когнитивного поведения на глубину сети и описать это когнитивное поведение с точки зрения его распределения по глубине», — говорит Зигельманн. «На мгновение мы подумали, что наше исследование провалилось, когда мы увидели, что каждое когнитивное поведение проявляет активность во многих сетевых глубинах.
Затем мы поняли, что познание намного богаче, это не та простая иерархия, которую все искали. Итак, мы разработали нашу геометрическую». алгоритм наклона ".Чтобы проиллюстрировать это, она предлагает вообразить баланс, в котором правая тарелка удерживает общую мозговую активность с наименьшей глубиной; другая панель содержит активность в самых глубоких областях мозга, наиболее удаленных от входных сигналов.
Если балансир описывает общую активность мозга для определенного когнитивного поведения, правая панорама будет ниже, создавая отрицательный наклон, когда большая часть активности находится на неглубоких участках, а левая панорама будет опускаться ниже, когда большая часть активности будет более глубокой, создавая отрицательный наклон. положительный наклон. Наклон балансира описывает относительную мелкую и глубокую мозговую активность для любого поведения.«Наш геометрический алгоритм работает по этому принципу, но вместо двух сковородок у него много», — говорит она. Исследователи суммировали всю нейронную активность для данного поведения по всем связанным экспериментам фМРТ, а затем проанализировали ее, используя алгоритм наклона. «С идентификатором наклона поведение теперь можно было упорядочить по их относительной глубине активности без вмешательства человека или предвзятости», — добавляет она.
Они ранжировали наклоны для всех когнитивных форм поведения из баз данных фМРТ от отрицательного к положительному и обнаружили, что они упорядочены от более осязаемого к высоко абстрактному. Независимое испытание дополнительных 500 участников исследования подтвердило результат.
Сигельманн говорит, что эта работа окажет большое влияние на информатику, особенно на глубокое обучение. «Глубокое обучение — это вычислительная система, использующая многоуровневую нейронную сеть, которая находится на переднем крае алгоритмов обучения искусственного интеллекта (ИИ)», — объясняет она. "Он имеет сходство с человеческим мозгом в том, что более высокие слои представляют собой скопления предыдущих слоев и поэтому предоставляют больше информации в одном нейроне.Но динамика обработки данных в мозге гораздо богаче и менее ограничена, потому что она имеет повторяющиеся взаимосвязи, иногда называемые петлями обратной связи. В нынешних созданных людьми сетях глубокого обучения, в которых отсутствуют повторяющиеся взаимосвязи, конкретный ввод не может быть связан с другими недавними вводами, поэтому их нельзя использовать для прогнозирования временных рядов, операций управления или памяти ».
По ее словам, ее лаборатория сейчас создает «постоянно повторяющуюся сеть глубокого обучения» для более интеллектуального и качественного обучающегося ИИ. Еще одним интересным результатом этого исследования станет новый инструмент геометрической науки о данных, который, вероятно, найдет широкое применение в других областях, где массивные данные трудно согласованно просматривать из-за перекрытия данных.Сигельманн считает, что эта работа, поддерживаемая Управлением военно-морских исследований, будет иметь далеко идущие последствия. «Многие расстройства мозга связаны с нестандартной обработкой или ненормальной комбинацией сенсорной информации.
В настоящее время многие расстройства мозга не имеют четкого биологического идентификатора и диагностируются по таким симптомам, как спутанность сознания, потеря памяти и депрессия. Наши исследования предлагают совершенно новый метод анализа аномалий головного мозга и является источником новой надежды на разработку биомаркеров для более точной и ранней диагностики психических и неврологических заболеваний ».