ابداع یک مدل رایانه‌ای برای بررسی آسیب‌های مغز پس از سکته
پژوهشگران "دانشگاه بوفالو"، یک مدل رایانه‌ای جدید ابداع کرده‌اند که به بررسی دقیق‌تر آسیب‌های ناشی از سکته در مغز کمک می‌کند.
به گزارش ایسنا و به نقل از وب‌سایت رسمی دانشگاه بوفالو، پژوهشگران یک مدل رایانه‌ای از مغز انسان ابداع کرده‌اند که می‌تواند الگوهایی از نقص مغز را شبیه‌سازی کند که نسبت به الگوهای کنونی، بسیار واقعی‌تر هستند. این مدل جدید می‌تواند امکان نوعی شبیه‌سازی دیجیتالی را ارائه دهد که امکان آزمایش افراد مبتلا به سکته و آسیب‌های مغزی را فراهم می‌کند.
"کریستوفر مکنورگان" (Christopher McNorgan)، استادیار روانشناسی "دانشگاه ایالتی نیویورک در بوفالو" (UB) گفت: این مدل دقیقا با اتصال عملکردی مغز در ارتباط است و می‌تواند الگوهای واقعی نقص شناختی را نشان دهد. از آنجا که این مدل، نحوه اتصال مغز را نشان می‌دهد، ما می‌توانیم آن را طوری به کار بگیریم که بینش‌های جدیدی را ارائه دهد.
ابداع این مدل بدین معنا نیست که ما یک کپی دیجیتال از مغز انسان داریم بلکه یافته‌های ما نشان می‌دهند که عملکرد این مدل، متناقض با عملکرد مغز انسان نیست و شاید بتواند به ابداع یک کپی از مغز نیز کمک کند.
مدل‌های مبتنی بر مغز، بر یک رویکرد کلی متمرکز هستند که همه نقاط مغز و نحوه واکنش آنها نسبت به تحریک را مورد بررسی قرار می‌دهد. این رویکرد، در پژوهش‌های مربوط به اتصال عملکردی مغز مورد استفاده قرار دارد که مبتنی بر روش "اف‌ام‌آرآی" (fMRI) هستند. در این رویکرد، یک مدل خطی، رابطه مستقیمی را میان دو چیز در نظر می‌گیرد. برای مثال، روشن و خاموش شدن یک لامپ می‌تواند فعالیت ناحیه دیداری مغز را کمتر یا بیشتر کند.
اگرچه مدل‌های خطی در شناسایی نواحی فعال مغز، بهتر هستند اما اغلب در تشخیص روابط پیچیده میان چند ناحیه شکست می‌خورند. همین موضوع، دامنه پیشرفت‌های جدیدتر مانند "MVPA" هستند که یک روش مبتنی بر یادگیری ماشینی را ارائه می‌دهد و در سطح جامع‌تری به ارزیابی نحوه فعالیت نواحی مغز می‌پردازد.
MVPA، یک روش غیرخطی ارزیابی است. برای مثال، مجموعه‌ای از نورون‌ها را در نظر بگیرید که باید معنی نشانه توقف را تشخیص دهند. هنگامی که ما یک نشانه قرمز یا یک نشانه شش‌ضلعی را ببینیم، این نورون‌ها فعال نمی‌شوند زیرا دیدن یکی از این نشانه‌ها برای آنها به معنای توقف نیست.
مکنورگان افزود: یک واکنش غیرخطی هنگامی فعال می‌شود که ما نشانه‌ای ببینیم که هم قرمز و هم شش‌ضلعی است. به همین دلیل، روش‌هایی مانند MVPA، در هسته رویکردهای مبتنی بر یادگیری عمیق قرار دارند که فناوری‌هایی مانند نرم‌افزار دیداری رایانه خودروهای خودران بر مبنای آنها ساخته می‌شوند.
در هر حال، رویکردهای قدیمی اتصال عملکردی و MVPA، با محدودیت‌هایی همراه هستند و هر یک از آنها پیچیدگی‌هایی دارند که نیازمند تلاش و تخصص قابل توجه پژوهشگران حوزه مغز و اعصاب است.
مکنورگان، نخستین پژوهشگری است که موفق شده اتصالات عملکردی و MVPA را با موفقیت ادغام کند و یک مدل مبتنی بر یادگیری ماشینی ارائه دهد که اتصالات عملکردی میان نواحی مغز را در جهان واقعی بررسی می‌کند.
یافته‌های این پژوهش می‌توانند امکان شناسایی و درک شبکه‌های مغز و نحوه عملکرد آنها را فراهم کنند.
این پژوهش، در مجله "NeuroImage" به چاپ رسیده است.
انتهای پیام
