عصر جدیدی در علوم اعصاب با هوش مصنوعی مولد

محققان یک مدل پیشگامانه به نام مدل زبان مغز (BrainLM) با استفاده از هوش مصنوعی مولد برای ترسیم فعالیت مغز و پیامدهای آن برای رفتار و بیماری ایجاد کردند. BrainLM از 80000 اسکن از 40000 سوژه استفاده می کند تا یک مدل اساسی ایجاد کند که پویایی فعالیت مغز را بدون نیاز به داده های مربوط به بیماری خاص ثبت کند.این مدل به طور قابل توجهی هزینه و مقیاس داده های مورد نیاز برای مطالعات سنتی مغز را کاهش می دهد و چارچوبی قوی ارائه می دهد که می تواند شرایطی مانند افسردگی، اضطراب و PTSD را به طور موثرتر از سایر ابزارها پیش بینی کند. BrainLM کاربرد قدرتمندی را در آزمایش‌های بالینی نشان می‌دهد، که به طور بالقوه با شناسایی بیمارانی که به احتمال زیاد از درمان‌های جدید سود می‌برند، هزینه‌ها را به نصف کاهش می‌دهد.

حقایق کلیدی:

مدل هوش مصنوعی مولد :  BrainLM از هوش مصنوعی مولد برای تجزیه و تحلیل الگوهای فعالیت مغز از مجموعه داده های گسترده استفاده می کند و پویایی های اساسی را بدون جزئیات خاص بیمار یاد می گیرد.

هزینه و کارایی در تحقیقات:  این مدل نیاز به ثبت نام بیماران در مقیاس بزرگ در آزمایشات بالینی را کاهش می دهد و به طور بالقوه هزینه ها را با استفاده از قابلیت های پیش بینی خود برای انتخاب نامزدهای مناسب برای مطالعات کاهش می دهد.

کاربرد گسترده:  BrainLM که در اسکنرها و اطلاعات جمعیتی مختلف آزمایش شده است، عملکرد برتری را در پیش بینی مسائل مختلف سلامت روان نشان داده است و نویدبخش کمک به تحقیقات و استراتژی های درمانی آینده است.

منبع: کالج پزشکی بیلور

تیمی از محققان در کالج پزشکی بیلور و دانشگاه ییل، هوش مصنوعی مولد (AI) را برای ایجاد یک مدل اساسی برای فعالیت مغز ترکیب کردند. مدل زبان مغز (BrainLM) برای مدل‌سازی مغز در سیلیکون و تعیین اینکه چگونه فعالیت‌های مغز با رفتار انسان و بیماری‌های مغز مرتبط است، توسعه داده شد.

این تحقیق به عنوان مقاله کنفرانسی در ICLR 2024 منتشر شد.

دکتر چادی عبدالله، دانشیار دپارتمان روانپزشکی و علوم رفتاری مننگر در Baylor و می گوید: «از مدت ها پیش می دانستیم که فعالیت مغز با رفتار افراد و بسیاری از بیماری ها مانند تشنج یا پارکینسون مرتبط است.

تصویربرداری عملکردی مغز یا MRI عملکردی به ما امکان می‌دهد به فعالیت مغز در سراسر مغز نگاه کنیم، اما قبلاً نمی‌توانستیم پویایی این فعالیت‌ها را در زمان و مکان با استفاده از ابزارهای تحلیلی داده‌های سنتی به طور کامل ثبت کنیم. اخیراً، مردم شروع به استفاده از یادگیری ماشینی برای ثبت پیچیدگی مغز و نحوه ارتباط آن با بیماری‌های خاص کرده‌اند، اما مشخص شد که این امر مستلزم ثبت‌نام و معاینه کامل هزاران بیمار با یک رفتار یا بیماری خاص است که فرآیند بسیار گرانی است.»

قدرت ابزارهای جدید هوش مصنوعی مولد در استفاده از آنها برای ایجاد مدل های اساسی مستقل از یک کار خاص یا جمعیت خاص بیمار است. هوش مصنوعی مولد می تواند به عنوان کارآگاهی عمل کند که الگوهای پنهان در یک مجموعه داده را کشف می کند.

با تجزیه و تحلیل نقاط داده و روابط بین آنها، این مدل ها می توانند پویایی های اساسی را بیاموزند – چگونگی و چرایی تغییر یا تکامل چیزها.سپس این مدل‌های بنیادی برای درک طیفی از موضوعات تنظیم می‌شوند. محققان از هوش مصنوعی مولد استفاده کردند تا نحوه عملکرد مغز را بدون توجه به یک اختلال یا بیماری مشخص کنند.این می تواند برای هر جمعیتی بدون نیاز به دانستن رفتار سوژه، اطلاعات مربوط به بیماری، سابقه یا سن آنها اعمال شود. فقط به فعالیت مغز نیاز دارد تا به کامپیوتر و مدل هوش مصنوعی یاد دهد که چگونه فعالیت مغز در فضا و زمان تکامل می یابد.

این تیم 80000 اسکن از 40000 آزمودنی گرفت و مدل را آموزش داد تا بفهمد این فعالیت‌های مغزی چگونه در طول زمان با یکدیگر مرتبط هستند و مدل پایه فعالیت مغز BrainLM را ایجاد کردند. اکنون، محققان می توانند از BrainLM برای تنظیم دقیق یک کار خاص و پرسیدن سوالات در مطالعات دیگر استفاده کنند.

برای مثال، اگر می‌خواهید یک کارآزمایی بالینی برای تولید دارویی برای افسردگی انجام دهید، می‌تواند صدها میلیون دلار هزینه داشته باشد زیرا باید تعداد زیادی از بیماران را ثبت‌نام کنید و آنها را برای مدت طولانی درمان کنید.

با استفاده از قدرت BrainLM، ما به طور بالقوه می توانیم این هزینه را با ثبت نام فقط نیمی از افراد با استفاده از قدرت BrainLM به نصف کاهش دهیم تا افرادی را انتخاب کنیم که بیشتر دوست دارند از یک درمان بهره مند شوند. بنابراین، BrainLM می‌تواند دانش آموخته‌شده از 80000 اسکن را برای استفاده از آن در موضوعات مورد مطالعه خاص به کار گیرد.»

مرحله اول، پیش پردازش، سیگنال های خلاصه و حذف نویزهایی که به فعالیت مغز مربوط نمی شوند. محققان خلاصه‌ها را در یک مدل یادگیری ماشین قرار دادند و درصدی از داده‌ها را برای هر فرد پنهان کردند. وقتی مدل دینامیک را یاد گرفت، آن را روی یک گروه آزمایشی که کنار گذاشته بودند آزمایش کردند.

آنها همچنین این را روی نمونه‌های مختلف آزمایش کردند تا بفهمند این مدل چقدر می‌تواند به داده‌های به‌دست‌آمده با اسکنرهای مختلف و در جمعیت‌های مختلف، مانند بزرگسالان مسن‌تر و بزرگسالان جوان‌تر تعمیم یابد.

آنها دریافتند که BrainLM در نمونه های مختلف عملکرد خوبی داشت. آنها همچنین دریافتند که BrainLM افسردگی، اضطراب و شدت PTSD را بهتر از سایر ابزارهای یادگیری ماشینی که از هوش مصنوعی مولد استفاده نمی کنند، پیش بینی می کند.

ما متوجه شدیم که BrainLM بسیار خوب عمل می کند. عبدالله گفت: این در حال پیش‌بینی فعالیت مغز در یک نمونه جدید است که در طول آموزش از آن پنهان شده بود و همچنین با داده‌های اسکنرهای جدید و جمعیت جدید به خوبی عمل می‌کند.این نتایج چشمگیر با اسکن 40000 نفر به دست آمد. ما اکنون در حال کار بر روی افزایش قابل توجه مجموعه داده های آموزشی هستیم.

هرچه مدل قوی‌تری بسازیم، بیشتر می‌توانیم برای کمک به مراقبت از بیمار، مانند ایجاد درمان جدید برای بیماری‌های روانی یا هدایت جراحی مغز و اعصاب برای تشنج یا DBS، انجام دهیم.»

محققان قصد دارند از این مدل برای تحقیقات آینده برای پیش بینی بیماری های مرتبط با مغز استفاده کنند.