人工智能比人类更快地挑选出神经元
杜克大学的生物医学工程师开发了一种自动化过程，可以像人类研究人员一样准确地追踪活跃神经元的形状，但只需一小部分时间。
这新技术，基于使用人工智能进行口译视频图像，解决了神经元分析中的一个关键障碍，使研究人员能够快速收集和处理神经元信号，用于实时行为研究。
这项研究发表在本周的美国国家科学院院刊．
为了测量神经活动，研究人员通常使用一种被称为双光子钙成像的过程，这使他们能够记录活体动物大脑中单个神经元的活动。这些记录使研究人员能够追踪哪些神经元在放电，以及它们如何对应不同的行为。
虽然这些测量对行为研究很有用，但在记录中识别单个神经元是一个艰苦的过程。目前，最准确的方法需要人类分析师圈出他们在录像中看到的每一个“火花”，通常需要他们停止并倒带视频，直到目标神经元被识别并保存。为了进一步使过程复杂化，研究人员通常只对识别在成像的数千个神经元中重叠在不同层的活动神经元的一小部分感兴趣。
这个过程被称为分割，繁琐而缓慢。研究人员可以在30分钟的视频记录中花费4到24小时来分割神经元，这还是假设他们在这段时间内完全专注，不休息睡觉、吃饭或上厕所的情况下。
相比之下，一个新的开源自动化算法开发的图像处理杜克大学生物医学工程系的神经科学研究人员可以在几分钟内准确识别和分割神经元。
杜克大学BME的Paul Ruffin Scarborough工程副教授Sina Farsiu说:“作为完成大脑活动映射的关键一步，我们面临着开发一种快速自动化算法的艰巨挑战，这种算法与人类一样准确，可以分割在不同实验设置下成像的各种活跃神经元。”
杜克大学BME的助理教授Yiyang Gong说:“神经科学领域的数据分析瓶颈已经存在很长时间了——数据分析师要花很多时间处理几分钟的数据，但这种算法可以在20到30分钟内处理30分钟的视频。”“我们还能够概括它的性能，所以如果我们需要从大脑的另一层中分割出神经元的大小或密度不同的神经元，它也能同样出色地运行。”
“我们基于深度学习的算法是快速的，并且被证明与人类专家一样准确(如果不是更好的话)，可以从双光子显微镜记录中分割出活跃和重叠的神经元，”杜克大学BME的博士生、论文的第一作者Somayyeh Soltanian-Zadeh说。
深度学习算法允许研究人员通过将数据发送到多层非线性处理单元来快速处理大量数据，这些处理单元可以经过训练来识别复杂图像的不同部分。在他们的框架中，该团队创建了一种算法，可以处理输入视频中的空间和时间信息。然后，他们“训练”算法来模仿人类分析师的分割，同时提高准确性。
这一进展是允许神经科学家实时跟踪神经活动的关键一步。由于他们的工具的广泛用途，该团队已经在网上提供了他们的软件和注释数据集。
龚已经在使用这种新方法来更仔细地研究神经活动与小鼠的不同行为有关。通过更好地理解神经元龚希望了解研究人员如何操纵大脑活动来改变行为。
Soltanian-Zadeh说:“这种活性神经元检测性能的提高应该能提供更多关于神经网络和行为状态的信息，并为神经科学实验的加速进展打开大门。”
进一步探索
用户评论