Johns Hopkins Ingeniører Bruger AI Til Dybere Indblik I Mus’ Hjerner

En gruppe af biomedicinske ingeniører fra Johns Hopkins har udviklet en kunstig intelligens (AI) træningsstrategi for at få en dybere forståelse af mus’ hjerner. Den nye strategi fanger billeder af mus’hjerneceller, mens de er aktive.

Ifølge holdet kan AI-systemet bruges sammen med specialiserede ultra-små mikroskoper til at registrere præcis, hvor og hvornår celler aktiveres under bevægelse, læring og hukommelse. Ved at indsamle indsigtsgivende data med denne nye strategi kunne videnskabsmænd muligvis forstå, hvordan hjernen fungerer og påvirkes af sygdom.

Den nye forskning blev offentliggjort i tidsskriftet Nature Communications.

Xingde Li, Ph.D., er professor i biomedicinsk ingeniørvidenskab ved Johns Hopkins University School of Medicine.

“Når en mus’ hoved er fastholdt for billedoptagelse, kan hjernens aktivitet muligvis ikke repræsentere dens neurologiske funktion,” siger Li. “For at kortlægge hjernens kredsløb, der kontrollerer daglige funktioner hos pattedyr, må vi se præcis, hvad der sker blandt enkeltstående hjerneceller og deres forbindelser, mens dyret frit bevæger sig, spiser og socialiserer.”

Indsamling af Data med Ultra-Små Mikroskoper

Holdtet satte sig for at indsamle de detaljerede data ved at oprette ultra-små mikroskoper, der kan placeres på toppen af mus’ hoveder. Med det sagt er mikroskoperne kun et par millimeter i diameter, så de begrænser mængden af billedteknologi, der kan medføres. Musens åndedræt eller hjertefrekvens kan også påvirke nøjagtigheden af de data, der indsamles af mikroskopet, så forskerne estimerer, at de ville behøve at overstige 20 billeder per sekund for at eliminere sådanne forstyrrelser.

“Der er to måder at øge billedfrekvensen,” siger Li. “Du kan øge scanninghastigheden, og du kan reducere antallet af punkter, der scannes.”

Ingeniørholdet havde tidligere gennemført en forskning, hvor de nåede de fysiske begrænsninger for skanneren ved seks billeder per sekund. I den anden strategi øgede de billedfrekvensen ved at reducere antallet af punkter, der scannes. Denne strategi fik mikroskopet til at indsamle lavere opløsningsdata.

Træning af et AI-Program

Ifølge Lis hypotese kunne et AI-program trænes til at genkende og genskabe de manglende punkter, hvilket ville resultere i højere opløsning. Men en af de største udfordringer ved denne tilgang er, at der mangler lignende billeder af mus’hjerner til at træne AI’en imod.

Holdtet satte sig for at overvinde dette ved at udvikle en to-trins træningsstrategi. Den første trænede AI’en til at identificere hjernens byggesten fra billeder af faste prøver af mus’hjernevæv. De trænede derefter AI’en til at genkende byggestenene i en fastholdt levende mus, der var under den ultra-små mikroskop. Denne nye teknik gjorde det muligt for AI’en at genkende hjerneceller med naturlig strukturforskel og bevægelsen forårsaget af musens åndedræt og hjerteslag.

“Forhåbentlig vil det, når vi indsamler data fra en mus i bevægelse, stadig være tilstrækkeligt lignende, så AI-netværket kan genkende det,” siger Li

Forskerne testede AI-programmet for at bestemme, om det kunne nøjagtigt forbedre mus’hjernebilleder ved at øge billedfrekvensen trinvis. De fandt, at AI’en kunne genskabe billedkvaliteten op til 26 billeder per sekund.

For at se, hvordan AI-værktøjet ville fungere med et mini-mikroskop fastgjort til en mus, kunne forskerne se på aktivitetsspidserne fra enkeltstående hjerneceller, der blev aktiveret af musen, der bevægede sig i sin omgang.

“Vi kunne aldrig have set denne information i så høj opløsning og billedfrekvens før,” siger Li. “Denne udvikling kunne gøre det muligt at indsamle mere information om, hvordan hjernen er dynamisk forbundet til handling på en cellulær niveau.”

Ifølge holdet kunne AI-programmet undergå yderligere træning for at nøjagtigt fortolke billeder op til 104 billeder per sekund.