冷泉港實驗室（Cold Spring Harbor Laboratory）科學家已經教會計算機在顯微鏡下大腦圖像中識別神經元，這比以前任何方法都更有效。研究人員提高了追蹤神經元及其連接自動化方法的效率，隨著研究人員繪製大腦緊密相連的神經通路圖，這項任務的需求越來越大。他們教計算機識別神經元具有不同特徵的部分。
這種連接圖對於了解大腦如何處理信息以產生想法和行為至關重要。近年來，新的成像技術和增強的數字圖像存儲能力產生了巨大的數據量，捕捉到了神經元在小鼠和其他模型生物大腦中穿行的路徑。但是，沒有足夠的專家來分析所有圖像。冷泉港實驗室教授帕薩·米特拉（Partha Mitra）說，他的團隊開發了新的人工智慧（artificial intelligence）工具，這個最新進展發表在《自然·機器智能》（Nature Machine Intelligence）雜誌上。
冷泉港實驗室研究人員建立一個虛擬神經解剖學家，它比以前用來追蹤神經元的人工智慧程序精確得多。新技術一個關鍵步驟是將可能的神經元映射到拓撲世界中。圖中山丘之間連線表示可能存在的神經連接。米特拉說：「這個項目要建立一個虛擬神經解剖學家（neuroanatomist），做的工作傳統上由歷經幾十年專業訓練的專家來完成。它搜尋幾十萬張照片，理解含義，提供專業判斷和解釋。」米特拉說，自動化方法必須接管這項工作，但計算機在解釋視覺信息方面不如人類。一個神經解剖學家很快就意識到，神經元在擁擠的顯微鏡圖像中遊蕩。在沒有經過大量訓練的情況下，計算機算法不容易辨析其中差別，但可以從大數據中反覆學習。米特拉說：「機器學習現在還不夠好，仍難掌握人類在做出這些判斷時擁有的先驗知識或信息。」研究人員使用一種拓撲數據分析（topological data analysis）的數學方法來實現這個目標，這種分析方法將事物視為具有丘陵、山谷和曲線的三維空間。密特拉說，拓撲學也被稱為強調連通性的「橡皮幾何學」（rubber sheet geometry），與依賴精確長度和角度的幾何學不同。研究人員用簡化的數學描述了神經元部分的形狀——豐滿的細胞體（plump cell bodies）、細長的軸突（slender axons）和分枝的樹突（branched dendrites）。神經元的整體形狀變化很大，但通過向計算機展示神經元是如何用幾種基本形式連接起來的，研究小組顯著提高了該程序檢測軸突和樹突的能力。米特拉說：「在可預見的未來，自動圖像分析仍然需要人工校對器（human proofreader），以確保科學應用的質量，但通過提高計算機精確度，這種新方法大大減少了專家的工作量。」在美國國立衛生研究院（The National Institutes of Health）資助下，米特拉研究小組將進一步開發人工智慧數據分析工具（AI data analysis tools），這些工具對「美國大腦倡議」計劃（The U.S. Brain Initiative）至關重要。他希望新的方法能解開大腦如何連接的謎團。
【參考文獻】
1. Jennifer Michalowski, "AI learns to trace neuronal pathways," Cold Spring Harbor Laboratory, September 28, 2020. https://www.cshl.edu/ai-learns-to-trace-neuronal-pathways/
2. Banerjee S., et al., "Semantic segmentation of microscopic neuroanatomical data by combining topological priors with encoder–decoder deep networks," Nature Machine Intelligence, September 28, 2020. https://www.nature.com/articles/s42256-020-0227-9