Forskere træner en bank af AI-modeller til at identificere hukommelsesdannelsessignaler i hjernen

Et internationalt forskningssamarbejde mellem Vanderbilt University og det Madrid-baserede de la Prida-laboratorium i Cajal Institute førte til udviklingen af ​​AI-modeller, der detekterer og analyserer hippocampale krusninger, som betragtes som biomarkører for hukommelse.

Forskningsfundene, der er beskrevet i en artikel, der vises i Communications Biology , kunne føre til nye muligheder for at opdage anfald og neurale ændringer hos mennesker med Alzheimers sygdom og andre neurologiske lidelser.

Kari Hoffman, lektor i psykologi og biomedicinsk teknik ved Vanderbilt, og hendes ph.d. studerende Saman Abbaspoor arbejdede på undersøgelsen med hovedforfatterne Adrian Rubio og Andrea Navas Olive fra de la Prida-laboratoriet. Hoffman er også tilknyttet fakultet ved Vanderbilt Brain Institute og Data Science Institute.

Som gruppens forskning skitserer, har studiet af hjerneoscillationer bragt ny forståelse af hjernens funktion. Hippocampus krusninger er en type hurtige svingninger, der ligger til grund for organiseringen af ​​minder. De er påvirket af sådanne neurologiske lidelser som epilepsi og Alzheimers sygdom, så de betragtes som en elektroencefalografisk (EEG) biomarkør. Imidlertid udviser krusninger forskellige bølgeformegenskaber og egenskaber, som kan gå glip af ved standard spektralmetoder.

Forskerne satte sig for at få en bedre forståelse af mønstre for hjerneaktivitet, efter at forskere i det neurovidenskabelige samfund efterlyste behovet for bedre at automatisere, harmonisere og forbedre påvisningen af ​​krusninger på tværs af en række opgaver og arter. I undersøgelsen brugte forfatterne optagelser opnået i laboratoriemus til først at træne en værktøjskasse af maskinlæringsmodeller.

De testede derefter generaliserbarheden af ​​modellerne ved hjælp af data fra ikke-menneskelige primater, der blev indsamlet ved Vanderbilt af Abbaspoor og Hoffman som en del af BRAIN Initiative. Forskerne fandt ud af, at det er muligt at træne AI-algoritmer primært på gnaverdata og stadig administrere meget nøjagtig detektion af krusninger hos primater med lidt eller ingen yderligere træning, hvilket tyder på, at AI-modellerne kan være en succes hos mennesker.

Modelværktøjskassen opstod som et resultat af et hackathon, som resulterede i en kort liste over de bedste detektionsmodeller. Gruppen identificerede mere end 100 mulige modeller fra de forskellige arkitekturer, som nu er tilgængelige for anvendelse eller omskoling af andre forskere.

"Denne bank af AI-modeller vil give nye applikationer inden for neuroteknologi og kan være nyttig til påvisning og analyse af højfrekvente svingninger i patologier såsom epilepsi, hvor de betragtes som kliniske markører," siger Liset de la Prida, forskningsprofessor. ved Instituto Cajal, CSIC.

"Der er en stor interesse i at drage fordel af AI til at muliggøre større præcision i detektion af sygdomstilstande og for oscilloterapeutika," tilføjede Hoffman. "Disse metoder giver løftet om at gå ud over at opdage 'hvor' i hjernen, men også at opdage og i sidste ende korrigere 'hvornår og hvordan' af oscillopatier."

Flere oplysninger: Andrea Navas-Olive et al., En maskinlæringsværktøjskasse til analyse af krusninger med skarpe bølger afslører fælles bølgeformtræk på tværs af arter, Communications Biology (2024). DOI:10.1038/s42003-024-05871-w

Journaloplysninger: Kommunikationsbiologi

Leveret af Vanderbilt University