人工智慧學會追蹤神經元通路

冷泉港實驗室的研究人員已經建立了一個虛擬的神經解剖學家，其準確性遠遠超過以前為追蹤神經元而構建的AI程序。新技術的關鍵一步是將可能的神經元映射到拓撲世界上。在此示例中，山丘之間的線表示可能的連接。圖片來源：Mitra Lab / CSHL，2020年

冷泉港實驗室（CSHL）的科學家已經教導計算機比以前的任何方法更有效地識別大腦顯微鏡圖像中的神經元。研究人員提高了追蹤神經元及其連接的自動化方法的效率，隨著研究人員努力繪製大腦密集互連的電路的圖，這項任務的需求越來越大。他們通過教計算機識別神經元的不同部分來做到這一點，每個部分都有不同的特徵。

這樣的連接圖對於學習大腦如何處理信息以產生思想和行為至關重要。近年來，新的成像技術和擴展的存儲數字圖像的能力已導致海量數據的產生，捕獲了神經元通過老鼠和其他模型生物的大腦時所經過的路徑。CSHL教授Partha Mitra說，但是沒有足夠的專家來分析所有這些圖像，他的團隊開發了新的人工智慧（AI）工具，並在《自然機器智能》雜誌上進行了報導。

Mitra說：「我認為這個項目是建立一個虛擬的神經解剖學家。我們之所以需要這樣做，是因為我們所做的工作傳統上是由需要數十年培訓的專家完成的。他們已經看了數十萬張圖像，我不知道。他們了解上下文，並且可以提供專業的判斷和解釋。」

Mitra說，自動化方法必須接管這項工作，但是計算機在解釋視覺信息方面不如人類。專家解剖學家迅速識別為在擁擠的顯微鏡圖像上蜿蜒的單個神經元，對於算法而言並不那麼明顯-至少在沒有進行廣泛訓練的情況下（該訓練允許計算機一次又一次地從大型數據集中學習），這種情況並非並非如此。

「虛擬神經解剖學家」如何追蹤軸突連接。儘管人眼擅長填補線條上的小縫隙以追蹤軸突，但計算機在執行此任務時遇到了麻煩。拓撲方法通過將計算機看到的內容轉換為充滿山峰和山谷的3D地圖來幫助計算機填補空白。然後，計算機計算從山頂到山頂的可能路徑。圖片來源：Mitra Lab / CSHL，2020年

Mitra說：「現代的機器學習技術……還不夠好。所缺少的是，它們通常不具備我們作為人類做出判斷時所需要的某些先驗知識或信息。」 「因此，我們需要建立某種先驗信息。」

研究人員使用一種稱為拓撲數據分析的數學形式來完成此任務，這種方式將事物視為具有丘陵，山谷和曲線的3-D空間。Mitra說，拓撲有時被稱為「強調連通性的」橡膠板幾何形狀」，而幾何形狀則依賴於精確的長度和角度。研究人員使用了簡化的數學描述來描述神經元部位的形狀，包括成體的細胞體，細長的軸突和分支的樹突。神經元的整體形狀差異很大，但是通過向計算機展示神經元如何使用幾種基本形式進行連接，該團隊顯著提高了程序檢測軸突和樹突的能力。

Mitra說：「在可預見的將來，自動圖像分析仍將需要人工校對，以確保科學應用的質量-但是通過提高計算機的準確性，這種新方法大大減少了專家必須完成的工作。」

在新的美國國立衛生研究院資助下，Mitra的團隊將進一步開發其AI數據分析工具。這些工具對美國腦計劃至關重要，他的研究就是其中的一部分。他希望這種方法將解開大腦如何連接的奧秘，以便人類可以思考大腦實際上是如何工作的。