最近，有兩項(xiàng)分別來(lái)自麻省理工學(xué)院和IBM的研究，利用人工智能幫助人們進(jìn)行神經(jīng)科學(xué)領(lǐng)域的研究，進(jìn)一步幫助人們加速對(duì)人類大腦的理解。
一方面，麻省理工學(xué)院的研究人員正在訓(xùn)練機(jī)器學(xué)習(xí)模型，研究從單個(gè)分割的大腦掃描圖像和未標(biāo)記的掃描圖像中，分割大腦解剖結(jié)構(gòu)，從而使用人工智能實(shí)現(xiàn)神經(jīng)科學(xué)圖像分割的自動(dòng)化。
另一方面，IBM的研究人員創(chuàng)建了一個(gè)基于云端的神經(jīng)科學(xué)模型，用于研究神經(jīng)退行性疾病(由大腦和脊髓的神經(jīng)元或髓鞘的喪失所致，并隨著時(shí)間推移而惡化，導(dǎo)致出現(xiàn)功能障礙)，并使用模擬生物進(jìn)化的算法來(lái)解決復(fù)雜問(wèn)題。
一、卷積神經(jīng)網(wǎng)絡(luò)為卡牌實(shí)時(shí)提供信息
在前段時(shí)間舉行的模式識(shí)別與計(jì)算機(jī)視覺(jué)大會(huì)(Conference on Computer Vision and Pattern Recognition)上，來(lái)自麻省理工學(xué)院的一組研究人員提出了一種創(chuàng)新的人工智能系統(tǒng)。
該系統(tǒng)可以學(xué)習(xí)從單個(gè)分段腦掃描圖像和未標(biāo)記的掃描圖像中，分割解剖腦結(jié)構(gòu)，實(shí)現(xiàn)自動(dòng)化神經(jīng)科學(xué)圖像分割。
這種用于神經(jīng)科學(xué)的新型人工智能系統(tǒng)，是基于一款發(fā)行于1993年的著名集換式卡牌游戲(Collectible card game)《萬(wàn)智牌(Magic：The Gathering)》而研發(fā)。
Amy Zhao是麻省理工學(xué)院電氣工程與計(jì)算機(jī)科學(xué)系(EECS)，以及計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室(CSAIL)的研究生，同時(shí)也是該項(xiàng)研究的第一作者。
最初，她嘗試使用一個(gè)由卷積神經(jīng)網(wǎng)絡(luò)(CNN)技術(shù)創(chuàng)建的應(yīng)用程序，根據(jù)智能手機(jī)拍攝的照片，實(shí)時(shí)為《萬(wàn)智牌》中的紙牌提供卡牌的類別、屬性和施放費(fèi)用等詳細(xì)信息。
這項(xiàng)技術(shù)的挑戰(zhàn)在于，計(jì)算機(jī)視覺(jué)任務(wù)需要一組照片數(shù)據(jù)集，該數(shù)據(jù)集不僅包含20,000張游戲卡牌，而且還包含每張卡牌的不同拍攝外觀和拍攝屬性(如照明)的圖片版本。
但是，手動(dòng)創(chuàng)建這樣的一個(gè)數(shù)據(jù)集需要花費(fèi)大量的實(shí)踐和精力，因此Amy開(kāi)始通過(guò)合成數(shù)據(jù)集中所有卡牌的變形版本，來(lái)自動(dòng)創(chuàng)建數(shù)據(jù)集。
卷積神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)算法，具有人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該算法受生物大腦視覺(jué)皮層的啟發(fā)，用一小部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練。
Amy使用200張卡牌，每張卡牌分別搭配10張照片，讓卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練，學(xué)習(xí)如何判斷卡牌的所處的不同位置和照片外觀，如亮度、反射和照片角度，從而能夠合成數(shù)據(jù)集內(nèi)所有卡牌的真實(shí)變形版本組。
二、卷積神經(jīng)網(wǎng)絡(luò)分析腦圖像的過(guò)程
Amy發(fā)現(xiàn)，這種變形的方法可以應(yīng)用于磁共振成像(Magnetic Resonance Imaging，簡(jiǎn)稱MRI)中。磁共振成像是斷層成像的一種，能夠利用磁共振現(xiàn)象從人體中獲得電磁信號(hào)，并重建出人體信息。
人工智能深度學(xué)習(xí)的模式識(shí)別功能是機(jī)器學(xué)習(xí)的一個(gè)子集，它幫助神經(jīng)科學(xué)家對(duì)腦圖像進(jìn)行復(fù)雜的分析。然而，訓(xùn)練該機(jī)器學(xué)習(xí)算法是一個(gè)昂貴的、勞動(dòng)密集型的挑戰(zhàn)。
一方面，對(duì)于神經(jīng)科學(xué)研究，訓(xùn)練機(jī)器學(xué)習(xí)通常需要神經(jīng)科學(xué)家在每一次的腦部掃描中，手動(dòng)對(duì)解剖結(jié)構(gòu)進(jìn)行數(shù)據(jù)標(biāo)記。
另一方面，圖像分割是基于共享特征對(duì)圖像像素進(jìn)行標(biāo)記的過(guò)程，而磁共振成像的圖像又是一個(gè)以三維像素形式呈現(xiàn)的體素。
因此，神經(jīng)科學(xué)的研究人員經(jīng)常需要根據(jù)大腦的解剖結(jié)構(gòu)，對(duì)體素區(qū)域進(jìn)行分離和標(biāo)記，手工進(jìn)行圖像分割。
Amy與麻省理工學(xué)院博士后助理Guha Balakrishnan、Frédo Durand教授、John V. Guttag教授，以及資深作家Adrian V. Dalca，使用單一標(biāo)記的分段腦MRI掃描和一組100個(gè)未標(biāo)記的病人掃描，完成了自動(dòng)化神經(jīng)科學(xué)圖像分割過(guò)程。
在研究過(guò)程中，研究人員使用了兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)。
首先，卷積神經(jīng)網(wǎng)絡(luò)從100個(gè)未標(biāo)記的掃描中學(xué)習(xí)亮度、對(duì)比度、噪聲和空間變換流場(chǎng)(指運(yùn)動(dòng)流體所占的空間區(qū)域里的速度、壓強(qiáng)等因素)的變化，這些變化模擬了掃描之間的體素運(yùn)動(dòng)。
其次，為了合成新的標(biāo)記掃描，系統(tǒng)生成一個(gè)隨機(jī)的流場(chǎng)，并將這個(gè)隨機(jī)的流場(chǎng)應(yīng)用于標(biāo)記的MRI掃描，以匹配未標(biāo)記掃描數(shù)據(jù)集中實(shí)際患者的MRI。然后，系統(tǒng)將所學(xué)習(xí)到的亮度、對(duì)比度和噪聲變化進(jìn)行隨機(jī)組合。
最后，系統(tǒng)根據(jù)提速運(yùn)動(dòng)的流場(chǎng)，將標(biāo)簽標(biāo)記到合成掃描的圖像中。這些合成的掃描圖像將被輸入到一個(gè)單獨(dú)的卷積神經(jīng)網(wǎng)絡(luò)，以便訓(xùn)練該卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)如何分割新的圖像。
三、該框架可合成逼真多樣的標(biāo)記實(shí)例
此外，研究小組對(duì)30種大腦結(jié)構(gòu)的圖像分割系統(tǒng)進(jìn)行了100次掃描，并將其與現(xiàn)有的自動(dòng)和手動(dòng)分割方法進(jìn)行了比較。結(jié)果表明，該方法與現(xiàn)有的圖像分割方法相比有了顯著改進(jìn)，特別是在海馬體等較小的大腦結(jié)構(gòu)方面。
研究人員在論文中表示，在他們的測(cè)試集中，分割器在每個(gè)例子上都比現(xiàn)有的單次分割方法做得更好，接近完全監(jiān)督模型的性能(之前大多是半監(jiān)督的)。該機(jī)器學(xué)習(xí)框架可在多個(gè)醫(yī)學(xué)領(lǐng)域應(yīng)用，比如臨床設(shè)置，在臨床設(shè)置中由于時(shí)間限制，通常只允許手工注釋少量掃描。
對(duì)此，麻省理工學(xué)院的研究人員表明，通過(guò)機(jī)器學(xué)習(xí)從未標(biāo)記的大腦掃描圖像中，獨(dú)立的空間和外觀轉(zhuǎn)換模型，可以合成逼真多樣的標(biāo)記實(shí)例。
另外，系統(tǒng)生成的合成示例可以用來(lái)訓(xùn)練性能等于甚至優(yōu)于當(dāng)前圖像分割方法的分割模型，這也是為什么《萬(wàn)智牌》能催生一種可訓(xùn)練人工智能深度學(xué)習(xí)算法的新方法。
四、什么是進(jìn)化算法?
最近，IBM的研究人員在《細(xì)胞報(bào)告(Cell Reports)》和《今日心理學(xué)(Psychology Today)》上發(fā)布了一種創(chuàng)新方法，通過(guò)利用進(jìn)化算法創(chuàng)建了一個(gè)基于云端的神經(jīng)科學(xué)模型，可用于研究神經(jīng)退行性疾病。
在神經(jīng)科學(xué)和人工智能的交叉領(lǐng)域，是深度學(xué)習(xí)的另一種方法。深度學(xué)習(xí)是松散地建立在生物大腦的神經(jīng)網(wǎng)絡(luò)層上的，它往往是單一用途的單點(diǎn)解決方案，需要將大量數(shù)據(jù)集進(jìn)行廣泛訓(xùn)練，并針對(duì)特定的環(huán)境進(jìn)行定制。
相比之下，進(jìn)化算法(Evolutionary Algorithms，簡(jiǎn)稱EA)則簡(jiǎn)單得多。它是進(jìn)化計(jì)算的一個(gè)子集，能夠模擬生物進(jìn)化來(lái)解決復(fù)雜問(wèn)題。另外，它基于“適應(yīng)度”函數(shù)中設(shè)置的標(biāo)準(zhǔn)來(lái)解決問(wèn)題，幾乎不需要數(shù)據(jù)。
不同類型的進(jìn)化算法包括遺傳算法、進(jìn)化策略、差分進(jìn)化和分布估計(jì)算法，它們的共同之處在于進(jìn)化的過(guò)程，該過(guò)程通常包括隨機(jī)生成搜索點(diǎn)種群，也稱為代理，染色體、候選解或個(gè)體。
這些搜索點(diǎn)種群會(huì)經(jīng)歷多代的變異操作和選擇，而變異操作類似于生物突變和重組過(guò)程。
每次種群迭代后，進(jìn)化算法將計(jì)算每個(gè)搜索點(diǎn)的適應(yīng)度，并保留最強(qiáng)(較高的目標(biāo)值)的搜索點(diǎn)，刪除最弱(較低的目標(biāo)值)的搜索點(diǎn)。
通過(guò)這種方式，搜索點(diǎn)的種群經(jīng)過(guò)幾代人的進(jìn)化，將產(chǎn)生解決問(wèn)題的最佳方案，而適者生存的變異依然存在。
五、基于云端創(chuàng)建神經(jīng)科學(xué)模型
進(jìn)化算法在本質(zhì)上是分布式的，這使得它非常適合基于云端或大規(guī)模并行的多核處理。
在這項(xiàng)針對(duì)亨廷頓舞蹈病(Huntington’s disease)的神經(jīng)科學(xué)研究中，研究人員使用了IBM Cloud上的一種最新的非主導(dǎo)排序差異進(jìn)化(NSDE)算法。
參與這項(xiàng)研究的IBM主發(fā)明人、神經(jīng)科學(xué)家James R. Kozloski表示，他們引入了誤差函數(shù)的軟闕值和鄰域懲罰，以防止由于目標(biāo)是精確的特征值而導(dǎo)致的系統(tǒng)偏差。
Kozloski表示，他們使用NSDE框架來(lái)修正誤差，并根據(jù)先前選擇的0個(gè)誤差模型的特征空間和“擁擠度”進(jìn)行懲罰，從而使算法盡可能均勻地覆蓋0個(gè)錯(cuò)誤區(qū)域。這讓他們能夠創(chuàng)建適合數(shù)據(jù)的各種參數(shù)模型，而不僅僅是單一模型。
該項(xiàng)研究的算法設(shè)計(jì)大師Tim Rumbell博士和Thomas J. Watson研究中心的計(jì)算神經(jīng)學(xué)家表示，這個(gè)算法最終將幫助模型進(jìn)行推廣，因?yàn)樗麄冎С炙惴▽ふ乙粋€(gè)參數(shù)空間區(qū)域，該區(qū)域能生成像實(shí)驗(yàn)期間所有神經(jīng)元一樣響應(yīng)的模型。
結(jié)語(yǔ)：促進(jìn)人們對(duì)人類大腦的科學(xué)理解
麻省理工學(xué)院的研究人員通過(guò)卷積神經(jīng)網(wǎng)絡(luò)分析腦圖像，以及IBM的研究人員利用進(jìn)化算法創(chuàng)建了一個(gè)基于云端的神經(jīng)科學(xué)模型，這兩項(xiàng)研究都是人工智能技術(shù)在神經(jīng)科學(xué)領(lǐng)域的發(fā)展和應(yīng)用。
未來(lái)，當(dāng)這兩項(xiàng)研究進(jìn)一步成熟和真正落地后，也許將有益于臨床醫(yī)學(xué)和神經(jīng)科學(xué)研究的發(fā)展，進(jìn)一步加速人們對(duì)人類大腦的科學(xué)理解。
關(guān)鍵詞：
