Johns Hopkins-ingeniører bruker AI for å se dypt inn i musens hjerne

En gruppe biomedisinske ingeniører ved Johns Hopkins har utviklet en kunstig intelligens (AI) treningstrategi for å få en dypere forståelse av musens hjerne. Den nye strategien fanger bilder av musens hjerneceller mens de er aktive.

Ifølge teamet kan AI-systemet brukes sammen med spesialiserte ultra-små mikroskoper for å oppdage nøyaktig hvor og når celler er aktive under bevegelse, læring og minne. Ved å samle inn nye data med denne nye strategien, kan vitenskapsmennene til slutt forstå hvordan hjernen fungerer og hvordan den påvirkes av sykdom.

Den nye forskningen ble publisert i tidsskriftet Nature Communications.

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

“Når en muses hode er begrenset for avbildning, kan hjernens aktivitet kanskje ikke virkelig representere dens nevrologiske funksjon,” sier Li. “For å kartlegge hjernens kredsløp som kontrollerer daglige funksjoner hos pattedyr, må vi se nøyaktig hva som skjer blant enkeltne hjerneceller og deres forbindelser, mens dyret fritt beveger seg, spiser og sosialiserer.”

Samling av data med ultra-små mikroskoper

Teamet satte ut for å samle inn detaljerte data ved å lage ultra-små mikroskoper som kan plasseres på toppen av musens hode. Med det sagt, er mikroskopene bare noen millimeter i diameter, så de begrenser mengden av avbildningsteknologi som kan medføres. Musens pust eller hjerteaktivitet kan også påvirke nøyaktigheten av dataene som samles inn av mikroskopet, så forskerne anslår at de ville måtte overstige 20 bilder per sekund for å eliminere slike forstyrrelser.

“Det er to måter å øke bildehastigheten,” sier Li. “Du kan øke skanningshastigheten og du kan redusere antallet skannede punkter.”

Ingeniørteamet har tidligere gjennomført forskning hvor de nådde de fysiske grensene for skanneren på seks bilder per sekund. I den andre strategien økte de bildehastigheten ved å redusere antallet skannede punkter. Denne strategien gjorde at mikroskopet samlet inn lavere oppløsning av data.

Trening av et AI-program

Ifølge Lis hypotese kan et AI-program trenes for å gjenkjenne og gjenopprette de manglende punktene, noe som ville resultere i høyere oppløsning. Men en av de største utfordringene med en slik tilnærming er at det mangler lignende bilder av musens hjerne for å trenere AI mot.

Teamet satte ut for å overvinne dette ved å utvikle en to-trinns treningstrategi. Den første trente AI til å identifisere byggeklossene i hjernen fra bilder av faste prøver av musens hjernevæv. De trente deretter AI til å gjenkjenne byggeklossene i en hodebegrenset levende mus som var under det ultra-små mikroskopet. Denne nye teknikken gjorde det mulig for AI å gjenkjenne hjerneceller med naturlig strukturvariasjon og bevegelsen forårsaket av musens pust og hjerteslag.

“Håpet var at når vi samlet inn data fra en mus i bevegelse, ville det fortsatt være tilstrekkelig likt for AI-nettverket til å gjenkjenne,” sier Li

Forskerne testet AI-programmet for å bestemme om det kunne nøyaktig forbedre musens hjernebilder ved å øke bildehastigheten trinnvis. De fant at AI kunne gjenopprette bildekvaliteten opp til 26 bilder per sekund.

For å se hvordan AI-verktøyet ville fungere med et mini-mikroskop festet til en mus, kunne forskerne se på aktivitetsspike av enkeltne hjerneceller aktive av musens bevegelse i miljøet.

“Vi kunne aldri ha sett denne informasjonen i så høy oppløsning og bildehastighet før,” sier Li. “Denne utviklingen kunne gjøre det mulig å samle inn mer informasjon om hvordan hjernen er dynamisk koblet til handling på en celle-nivå.”

Ifølge teamet kunne AI-programmet gjennomgå mer trening for å nøyaktig tolke bilder opp til 104 bilder per sekund.