Wetenschap
Onderzoekers trainen een reeks AI-modellen om signalen voor geheugenvorming in de hersenen te identificeren
Een internationale onderzoekssamenwerking tussen de Vanderbilt Universiteit en het in Madrid gevestigde de la Prida-lab in het Cajal Instituut heeft geleid tot de ontwikkeling van AI-modellen die hippocampale rimpelingen detecteren en analyseren, die worden beschouwd als biomarkers van het geheugen.
De onderzoeksontdekkingen, uiteengezet in een artikel dat verschijnt in Communications Biology , zou kunnen leiden tot nieuwe mogelijkheden om aanvallen en neurale veranderingen op te sporen bij mensen met de ziekte van Alzheimer en andere neurologische aandoeningen.
Kari Hoffman, universitair hoofddocent psychologie en biomedische technologie bij Vanderbilt, en haar Ph.D. student Saman Abbaspoor werkte aan het onderzoek samen met hoofdauteurs Adrian Rubio en Andrea Navas Olive van het de la Prida lab. Hoffman is ook verbonden aan de faculteit van het Vanderbilt Brain Institute en het Data Science Institute.
Zoals het onderzoek van de groep aangeeft, heeft de studie van hersenoscillaties nieuwe inzichten in de hersenfunctie opgeleverd. Hippocampale rimpelingen zijn een soort snelle oscillaties die ten grondslag liggen aan de organisatie van herinneringen. Ze worden getroffen door neurologische aandoeningen als epilepsie en de ziekte van Alzheimer, dus worden ze beschouwd als een elektro-encefalografische (EEG) biomarker. Rimpelingen vertonen echter verschillende golfvormkenmerken en -eigenschappen die door standaard spectrale methoden kunnen worden gemist.
De onderzoekers wilden een beter begrip krijgen van patronen van hersenactiviteit nadat wetenschappers in de neurowetenschappengemeenschap hadden opgeroepen tot de noodzaak om de detectie van rimpelingen voor een reeks taken en soorten beter te automatiseren, harmoniseren en verbeteren. In het onderzoek gebruikten de auteurs opnames verkregen van laboratoriummuizen om eerst een gereedschapskist met machine learning-modellen te trainen.
Vervolgens testten ze de generaliseerbaarheid van de modellen met behulp van gegevens van niet-menselijke primaten die bij Vanderbilt waren verzameld door Abbaspoor en Hoffman als onderdeel van het BRAIN Initiative. De onderzoekers ontdekten dat het mogelijk is om AI-algoritmen voornamelijk te trainen op gegevens van knaagdieren, en toch zeer nauwkeurige detectie van rimpelingen bij primaten te beheren met weinig tot geen aanvullende training, wat erop wijst dat de AI-modellen succesvol kunnen zijn bij mensen.
De modeltoolbox ontstond naar aanleiding van een hackathon, wat resulteerde in een shortlist voor de beste detectiemodellen. De groep identificeerde meer dan 100 mogelijke modellen uit de verschillende architecturen die nu beschikbaar zijn voor toepassing of herscholing door andere onderzoekers.
"Deze bank van AI-modellen zal nieuwe toepassingen bieden op het gebied van neurotechnologie en kan nuttig zijn voor de detectie en analyse van hoogfrequente oscillaties bij pathologieën zoals epilepsie, waar ze als klinische markers worden beschouwd", zegt Liset de la Prida, onderzoeksprofessor. bij Instituto Cajal, CSIC.
"Er is grote belangstelling voor het benutten van AI om een grotere precisie mogelijk te maken bij de detectie van ziektetoestanden en voor oscillotherapeutica", voegde Hoffman eraan toe. "Deze methoden bieden de belofte om verder te gaan dan het detecteren van 'waar' in de hersenen, maar ook om het 'wanneer en hoe' van oscillopathieën te detecteren en uiteindelijk te corrigeren."