Johns Hopkins Ingenjörer Använder AI för En Djupare Titt på Mössens Hjärnor

En grupp biomedicinska ingenjörer vid Johns Hopkins har utvecklat en artificiell intelligens (AI) utbildningsstrategi för att få en djupare förståelse av mössens hjärnor. Den nya strategin fångar bilder av musens hjärnceller medan de är aktiva.

Enligt teamet kan AI-systemet användas tillsammans med specialiserade ultra-små mikroskop för att upptäcka exakt var och när celler aktiveras under rörelse, inlärning och minne. Genom att samla in insiktsfulla data med denna nya strategi kan forskare så småningom förstå hur hjärnan fungerar och påverkas av sjukdom.

Den nya forskningen publicerades i tidskriften Nature Communications.

Xingde Li, Ph.D., är professor i biomedicinsk teknik vid Johns Hopkins University School of Medicine.

“När en musas huvud är begränsat för avbildning, kan dess hjärnaktivitet inte nödvändigtvis representera dess neurologiska funktion”, säger Li. “För att kartlägga hjärncirklar som kontrollerar dagliga funktioner hos däggdjur måste vi se exakt vad som händer bland enskilda hjärnceller och deras anslutningar, medan djuret fritt rör sig, äter och socialiserar.”

Insamling Av Data Med Ultra-Små Mikroskop

Teamet satte ut för att samla in de detaljerade data genom att skapa ultra-små mikroskop som kan placeras på toppen av mössens huvuden. Med det sagt, mikroskopen är bara några millimeter i diameter, så de begränsar mängden avbildningsteknik som kan bäras. Musens andning eller hjärtfrekvens kunde också påverka noggrannheten i de data som samlades in av mikroskopen, så forskarna uppskattar att de skulle behöva överstiga 20 bilder per sekund för att eliminera sådana störningar.

“Det finns två sätt att öka bildhastigheten”, säger Li. “Du kan öka skanningshastigheten och du kan minska antalet punkter som skannas.”

Ingenjörsteamet hade tidigare genomfört forskning där de nådde de fysiska gränserna för skannern vid sex bilder per sekund. I den andra strategin ökade de bildhastigheten genom att minska antalet punkter som skannades. Denna strategi orsakade att mikroskopen samlade in data med lägre upplösning.

Träning Av Ett AI-Program

Enligt Lis hypotes kunde ett AI-program tränas för att känna igen och återställa de saknade punkterna, vilket skulle resultera i högre upplösning. Men en av de stora utmaningarna med ett sådant tillvägagångssätt är att det saknas liknande bilder av mössens hjärnor för att träna AI mot.

Teamet satte ut för att övervinna detta genom att utveckla en tvåstegstrategi för träning. Den första tränade AI för att identifiera byggstenarna i hjärnan från bilder av fasta prover av musens hjärnvävnad. De tränade sedan AI för att känna igen byggstenarna i en huvudbunden levande mus som var under det ultra-små mikroskopet. Denna nya teknik möjliggjorde att AI kunde känna igen hjärnceller med naturlig strukturförändring och rörelse orsakad av musens andning och hjärtfrekvens.

“Hoppet var att när vi samlar in data från en rörlig mus, kommer det fortfarande att vara tillräckligt likt för AI-nätverket att känna igen”, säger Li

Forskarna testade AI-programmet för att avgöra om det kunde förbättra musens hjärnbilder genom att öka bildhastigheten stegvis. De fann att AI kunde återställa bildkvaliteten upp till 26 bilder per sekund.

För att se hur AI-verktyget skulle fungera med ett mini-mikroskop fäst vid en mus, kunde forskarna titta på aktivitetstopparna hos enskilda hjärnceller som aktiverades av musen som rörde sig i sin miljö.

“Vi kunde aldrig ha sett denna information i så hög upplösning och bildhastighet tidigare”, säger Li. “Denna utveckling kunde göra det möjligt att samla in mer information om hur hjärnan är dynamiskt kopplad till handling på en cellulär nivå.”

Enligt teamet kunde AI-programmet genomgå mer träning för att exakt tolka bilder upp till 104 bilder per sekund.