Inteligencia Artificial
Nueva IA rastrea neuronas de animales en movimiento
Un método innovador puede acelerar la investigación en neurociencia cognitiva.
28 de diciembre de 2023 Revisado por Ray Parker
![Source: PixxelTeufel / Pixabay Fuente: PixxelTeufel / Pixabay](https://cdn2.psychologytoday.com/assets/styles/article_inline_half_caption/public/field_blog_entry_images/2023-12/pic092834.jpg?itok=3aBGsOV9)
La investigación científica en campos complejos como la neurociencia está recibiendo un impulso gracias al aprendizaje automático de la inteligencia artificial (IA). Un nuevo estudio realizado por investigadores de la Ecole Polytechnique Fédérale de Lausanne (EPFL) en Lausana, Suiza, y la Universidad de Harvard en Cambridge, Massachusetts, EE.UU., muestra cómo la IA tiene el potencial de hacer avanzar la neurociencia al identificar y rastrear neuronas en animales en movimiento.
“El aprendizaje automático es ideal para automatizar la tarea de segmentar y rastrear neuronas”, escribió el autor principal Sahand Jamal Rahi, junto con los coautores Aravinthan Samuel, Corinne Jones, Vladislav Susoy, Ariane Delrocq, Kseniia Korchagina, Mahsa Barzegar-Keshteli y Core Francisco Park.
La neurociencia cognitiva es la rama de la neurociencia y la psicología biológica que estudia los mecanismos neuronales de la cognición. Para estudiar el cerebro humano se utilizan técnicas de imágenes cerebrales, como la resonancia magnética funcional (fMRI), la electrocorticografía (ECoG), la magnetoencefalografía (MEG), las imágenes ópticas con espectroscopia de infrarrojo cercano (NIRS) y la tomografía por emisión de positrones (PET).
Estas técnicas de imágenes generan conjuntos de datos complejos y de alta dimensión que requieren segmentación y seguimiento de los píxeles de cada neurona. Sorprendentemente, esto a menudo requiere anotaciones manuales minuciosas y que consumen mucho tiempo. En inteligencia artificial, la anotación se refiere al etiquetado de datos dentro de conjuntos de datos para ser utilizados por algoritmos de aprendizaje automático. Los elementos de datos pueden estar en forma de texto, imágenes, videos o datos de voz.
Para acelerar la anotación de datos complejos de imágenes cerebrales, los investigadores de la EPFL y Harvard utilizaron un modelo de red neuronal convolucional (RNC) de IA con la capacidad de realizar un aumento dirigido mediante la automatización de la creación de anotaciones sintéticas a partir de unas pocas anotaciones manuales. Los investigadores llamaron a su técnica “Targettrack”.
“Presentamos innovaciones que permiten a una CNN minimizar la cantidad requerida de datos de entrenamiento anotados manualmente y revisión final”, escribieron los científicos.
Las redes neuronales convolucionales son redes neuronales de aprendizaje profundo de retroalimentación que se utilizan comúnmente para la clasificación de imágenes por visión por computadora, el reconocimiento de voz, la clasificación de audio y señales y el procesamiento del lenguaje natural para la clasificación de texto.
Para llevar a cabo su experimento, los científicos utilizaron datos de imágenes de todo el cerebro de C. elegans (Caenorhabditis elegans). Este gusano nematodo se utiliza a menudo para la investigación de enfermedades neurodegenerativas, como la enfermedad de Alzheimer, la enfermedad de Parkinson, la enfermedad de Huntington y otras, así como la isquemia, los accidentes cerebrovasculares, las enfermedades relacionadas con la edad, las enfermedades mitocondriales y las respuestas del sistema inmunológico.
Con Targettrack, los investigadores de IA informaron haber reducido una tarea manual de 200 horas de anotar 76 neuronas en una grabación de 10 minutos a 5 Hercios de C. elegans en movimiento activo a solo 65 horas, una mejora del 67.5 por ciento. Según los científicos, cuando una red neuronal convolucional se entrena con una combinación de imágenes anotadas manualmente y sintéticamente, hay una menor necesidad de revisión porque la confiabilidad aumenta significativamente. Los investigadores informaron,
“Al reducir el tiempo necesario para las anotaciones y revisiones manuales, nuestro proceso de extremo a extremo logra un aumento de 50 veces en el rendimiento en comparación con la anotación manual completa para problemas desafiantes de imágenes cerebrales”.
Derechos de autor © 2023 Cami Rosso. Todos los derechos reservados.
A version of this article originally appeared in English.