Kecerdasan buatan merevolusi pelacakan saraf pada hewan yang bergerak

ringkasan: Para peneliti telah mengembangkan metode berbasis kecerdasan buatan untuk melacak neuron pada hewan yang bergerak dan berubah bentuk, sebuah kemajuan besar dalam penelitian ilmu saraf. Metode jaringan saraf konvolusional (CNN) mengatasi tantangan pelacakan aktivitas otak pada organisme seperti cacing, yang bentuk tubuhnya terus berubah.

Melalui penggunaan Targeted Augmentation, AI secara signifikan mengurangi kebutuhan anotasi gambar manual, sehingga menyederhanakan proses identifikasi neuron. Diuji pada cacing gelang Caenorhabditis elegans, teknik ini tidak hanya meningkatkan efisiensi analisis, namun juga memberikan wawasan yang lebih mendalam tentang perilaku saraf yang kompleks.

Fakta-fakta kunci:

1. Teknologi AI yang inovatif: Metode CNN secara otomatis mengumpulkan anotasi dan mempelajari kelainan internal otak untuk beradaptasi dengan situasi baru.
2. Kemahiran dalam analisis: Pendekatan ini melipatgandakan hasil analisis dibandingkan dengan anotasi manual penuh, sehingga menghemat waktu dan tenaga penelitian secara signifikan.
3. Aplikasi dan hasil: Ketika diterapkan pada cacing gelang Caenorhabditis elegans yang kaya neuron, metode ini mengungkapkan perilaku kompleks antara neuron dan responsnya terhadap rangsangan.

sumber: EPFL

Kemajuan terkini memungkinkan pencitraan neuron pada hewan yang bergerak bebas. Namun, untuk memecahkan kode aktivitas sirkuit, neuron yang dicitrakan ini harus diidentifikasi dan dilacak secara komputasi. Hal ini menjadi sangat sulit ketika otak itu sendiri bergerak dan berubah bentuk di dalam tubuh elastis suatu organisme, misalnya pada cacing. Hingga saat ini, komunitas ilmiah masih kekurangan alat untuk mengatasi masalah ini.

Kini, tim ilmuwan dari EPFL dan Universitas Harvard telah mengembangkan metode AI perintis untuk melacak neuron di dalam hewan yang bergerak dan berubah bentuk. Studi ini sekarang dipublikasikan di Metode alamdipimpin oleh Sahand Jamal Rahi di Fakultas Ilmu Pengetahuan Dasar di EPFL.

Metode baru ini didasarkan pada jaringan saraf konvolusional (CNN), sejenis kecerdasan buatan yang telah dilatih untuk mengenali dan memahami pola dalam gambar. Hal ini melibatkan proses yang disebut “konvolusi”, yang melihat bagian-bagian kecil dari gambar — seperti tepian, warna, atau bentuk — pada satu waktu dan kemudian menyatukan semua informasi tersebut untuk memahaminya dan mengidentifikasi objek atau pola.

Masalahnya adalah untuk mengidentifikasi dan melacak neuron selama pembuatan film otak hewan, banyak gambar yang harus diberi label secara manual karena hewan tersebut tampak sangat berbeda dari waktu ke waktu karena berbagai kelainan bentuk tubuh. Mengingat beragamnya pose hewan, membuat anotasi yang cukup secara manual untuk melatih CNN dapat menjadi hal yang menakutkan.

Untuk mengatasi masalah ini, para peneliti mengembangkan jaringan CNN yang lebih baik yang menampilkan “peningkatan yang ditargetkan.” Teknologi inovatif ini secara otomatis mengumpulkan anotasi yang andal untuk referensi hanya dengan serangkaian anotasi manual yang terbatas. Hasilnya adalah CNN secara efektif mempelajari deformasi internal otak dan kemudian menggunakannya untuk menghasilkan anotasi untuk situasi baru, sehingga sangat mengurangi kebutuhan akan anotasi manual dan validasi ganda.

Metode baru ini serbaguna karena mampu mengidentifikasi neuron, baik yang direpresentasikan dalam gambar sebagai titik individual atau sebagai volume 3D. Para peneliti mengujinya pada cacing gelang Tipe tertentu eleganyang berisi 302 neuron, menjadikannya organisme model yang populer dalam ilmu saraf.

Dengan menggunakan CNN yang diperbesar, para ilmuwan mengukur aktivitas di beberapa interneuron cacing (neuron yang menghubungkan sinyal antar neuron). Mereka menemukan bahwa mereka menunjukkan perilaku yang kompleks, misalnya mengubah pola respons ketika terkena rangsangan yang berbeda, seperti semburan bau secara berkala.

Tim telah membuat CNN mereka dapat diakses, menyediakan GUI intuitif yang mengintegrasikan peningkatan yang ditargetkan, menyederhanakan proses dalam alur end-to-end, dari anotasi manual hingga pemeriksaan akhir.

“Dengan secara signifikan mengurangi upaya manual yang diperlukan untuk melakukan segmentasi dan melacak neuron, metode baru ini meningkatkan hasil analisis sebanyak tiga kali lipat dibandingkan dengan anotasi manual sepenuhnya,” kata Sahand Jamal Rahi.

“Terobosan ini berpotensi mempercepat penelitian pencitraan otak dan memperdalam pemahaman kita tentang sirkuit dan perilaku saraf.”

Kontributor lainnya

Pusat Ilmu Data Swiss

Tentang berita penelitian kecerdasan buatan

pengarang: Nick Papageorgiou
sumber: EPFL
komunikasi: Nick Papageorgiou – EPFL
gambar: Gambar dikreditkan ke Berita Neuroscience

Pencarian asli: Hasilnya akan muncul di Metode alam