使用人工智能绘制大脑连接图

mapping brain connectivity using AI

机器学习和人工智能正帮助更高效、直观地展示大脑连接结构,以帮助抵抗各种神经疾病。

“准确诊断的一大挑战是,许多其他的身体机能失调会导致行为变化,而且容易被误以为是癫痫。了解疾病发作时的具体情况是做出准确诊断的关键条件之一。”1

- Nathan Minnich,神经调节和心节律管理全球营销总监,LivaNova

挑战

探索癫痫和老年痴呆症等某些神经病症的病理特征一直是诊断和治疗过程中面临的难题。我们需要使用更有效的工具揭开大脑连接之谜,帮助医疗行业更全面了解脑部疾病。

解决方案

机器学习和人工智能 (AI) 能够对癫痫和老年痴呆症的特征进行分类,为更全面剖析大脑连接结构带来了希望。Panuwat Janwattanapong 正使用神经网络推理和自然语言处理开发的技术展现了造福医疗事业的美好前景。

背景和历史

Panuwat Janwattanapong 是英特尔® 人工智能研究院的英特尔® 校园大使,早已对人工智能和机器学习技术心怀向往。Panuwat 参加了佛罗里达国际大学博士课程的学习,并研修了电子与计算机工程学,目前任职于 Center of Advanced Technology and Education (CATE Lab),专注于通过新技术改善诊断方法和治疗手段。在求学过程中,Panuwat 深入学习了神经失调病症方面的知识,包括癫痫和老年痴呆症,以及人工智能和机器学习助力探索大脑连接结构的方法。他的项目已开始获得成效,包括一种确定癫痫病发作时大脑连接情况的新颖方法。

Panuwat 如此描述他的大脑连接项目:“该研究项目旨在充分利用连接分析,通过全新方法揭示和提取神经失调的隐藏特征。相关研究工作可增进人们对神经失调的基本了解,大幅提升诊断效率。从癫痫患者中提取的机能连接信息将在不同频段下进行分析,并与对照群体进行比较,生成可用作分类算法关键参数的独特模式。我们还将研究疾病发作的不同阶段的连接模式。”

以前在 CATE Lab 的工作职责包括分析 PET 扫描图像和 MRI 结果,以及分析时间序列生物信息。目前的工作是有效利用主要从各地参与项目合作的医院中收集的患者数据,包括老年痴呆症和癫痫患者的数据。相关数据洞察可用于分类器。Panuwat 表示:“例如,如果主要数据包括 MRI 图像,我们可提取皮层不同部分的体积或区域的厚度。从时间序列数据中提取有意义的特征更为复杂。在本案例中,Panuwat 解释他将时间序列数据转变为空间特征,以展示大脑连接结构。

“大脑连接结构可提供有关脑部神经元在特定时段的交互情况的详情。我比较了不同患者组的特征,如对照组和癫痫组,并开始应用统计分析。在发现任何显著差异后,我将特征与患者的人口统计进行组合,并构建分类器。”

使用的分类器包括简单的机器学习分类器,如支持向量机 (SVM) 和 Random Forrest。我们可在必要时实施神经网络优化技术,包括十倍交叉验证和初始权值、动量等方面的算法。

最近,该实验室一直在探索使用机器学习和人工智能实现更有效的研究结果。Panuwat 的多个关联项目正在实施。他表示:“三年多来,我一直在研究相关议题。我为这些项目设立了多个目标,其中多数目前已经完成。然而,在我看来,完全整合这些方法和使用其替换当前的标准医疗程序仍然任重道远。”

图 1 展示了用于查找疾病发作不同阶段的模式的大脑连接图。

Example of brain connectivity mapping
图 1.大脑连接图示例。

支持技术

在开展该项目的工作时,Panuwat 利用了英特尔的许多资源。他表示:“目前,我在使用 Python* 的英特尔® 分发版。该产品可提升整个程序的性能,并缩短模型训练时间。轻松更改至这一版本的 Python,大幅提升性能。”

在线培训资源和教程(如英特尔人工智能研究院的相关资源)还可帮助加速项目开发进程,规避完成相关工作的障碍。该产品可提升整个程序的性能,并缩短模型训练时间。轻松更改至这一版本的 Python,大幅提升性能。

对于为其他实施类似项目的开发人员提供的建议,Panuwat 表示:“该项目的最重要环节是文档编制,我认为任何项目都一样。记录您做出的每一项决定以及所取得的成效,以跟踪项目进度。该工作还有助于多个团队合作处理子问题。”

在回顾项目的各个阶段时,他认为将大问题细分为子问题并实现方法的可重复性更加可取。

“如果重头开始,我将编写更高效、记录更完备的 API,确保其能够普遍适用,以实现重复利用。我不认为自己是一名软件开发人员或程序员,我们有必要将更多精力用于代码优化和使用版本控制,如 GIT*。这有助于您更轻松地跟踪代码进度。”

通过提取机能连接信息提高模型准确度(项目下一阶段工作的目标)所需的海量数据,需要更强大的计算功能进行处理。Panuwat 计划将机能连接转变为 Eigen 系统域,并使用深度学习模型提高训练精度。图 2 显示了为实现该目的设想的配置。Panuwat 表示:“我正在收集更多数据,而且计划在数据集达到一定规模时,使用英特尔® 至强® 可扩展处理器提供更高的计算能力。”

目前,旨在为英特尔人工智能研究院成员提供免费云计算功能的英特尔® AI DevCloud,便采用了英特尔® 至强® 可扩展处理器。

目前,医疗行业正在进行的人工智能研究和开发工作,在患者诊断和治疗方法方面取得了积极进展。数据驱动型人工智能正在帮助揭开  疾病的奥秘,各地的医院和医疗机构日益频繁地分享相关信息。Broad Institute of MIT and Harvard 心脏病学家兼首席数据官 Anthony Philippakis 表示:“数据是关键,能够推动精准医学的发展,协调所有相关方共同努力,寻找正确的治疗方案。”2

重要履历

在英特尔人工智能研究院担任校园大使期间,Panuwat:

  • 在技术大会上向不同观众阐释了机器学习和人工智能概念
  • 成功将机器学习和人工智能应用于从生物信息中提取特征
  • 通过在英特尔® 硬件平台上运行的应用,探索机器学习和人工智能
  • 集成机器学习工具,实施大脑连接分析

在佛罗里达国际大学 CATE Lab 担任研究助理期间,他:

  • 使用连贯性和统计数据分析,对癫痫患者实施了脑部机能连接分析
  • 分析生物信息数据,同时创建可视化内容帮助医生诊断疾病
  • 实施机器学习算法,对疾病发作进行高度精准的分类和预测

Cluster configuration for improving the deep learning model
图 2.用于改进深度学习模型的集群配置。

“英特尔提供的资源带来了更多灵感和解决复杂问题的创意方案。此外,英特尔的工程团队被认为是最出色的团队之一,听取他们的意见让我们受益匪浅。”

– Panuwat Janwattanapong,英特尔® 人工智能研究院的英特尔® 校园大使

人工智能正在拓展科学边界

通过专用芯片的设计和开发、研究资助、教育推广与行业合作等,英特尔坚定致力于推动人工智能 (AI) 的发展,帮助化解医学、制造、农业、科学研究和其他行业的挑战。英特尔与政府机构、教育机构和公司紧密合作,探索和完善可应对重大科学挑战的解决方案。

例如,普林斯顿大学的神经科学家与英特尔实验室的计算机科学家正在开展一个人工智能合作项目,以实时绘制大脑活动图谱,帮助人们更深入了解大脑如何对不同刺激做出反应。通过该项目联合开发的软件能够破解神经数据,将大脑活动与学习、记忆和其他认知功能进行关联。

英特尔® 人工智能产品组合包括:

“英特尔®

英特尔® 至强® 可扩展处理器:借助针对深度学习等广泛人工智能工作负载优化的计算架构,化解人工智能挑战。

“框架优化”data-fid="622199"

框架优化:在强大的可扩展基础设施上更快速训练深度神经网络。

“英特尔

英特尔® Movidius™ Myriad™ 视觉处理单元 (VPU):创建和部署设备上神经网络和计算机视觉应用。

更多信息请访问产品组合页面:https://ai.intel.com/technology

Arjun Bansal

“在解决医疗挑战方面,我们只迈出了第一步。我们将继续努力,与行业领先的实体紧密合作,以解决更多医疗难题。”3

– Arjun Bansal,英特尔公司人工智能产品事业部副总裁兼人工智能实验室和软件总经理

资源

新一代计算能力由英特尔® 人工智能驱动

Developer Mesh 的大脑连接项目

人工智能在神经科学领域的应用:揭开大脑奥秘

借助人工智能绘制大脑图谱

在英特尔® Movidius™ 神经计算棒上以 5 步构建图像分类器

英特尔 Movidius 神经计算棒

借助 Caffe* 深度学习框架充分发挥人工智能的优势

英特尔® Caffe* 分发包*

加速神经回路的特征描述

“大脑拥有宇宙中最复杂的构造,跟踪大脑中的活动仍然是有待攻克的难题。”4

– Jonathan Cohen,普林斯顿大学神经科学研究所联合主任

参考

1.“探秘癫痫顽疾。”Media Planet。2017

2.“数据驱动型医疗会让精准医学惠及大众吗?”

3.“京都大学选用英特尔机器和深度学习技术化解药物发现、医药和医疗等方面的调整。”英特尔® 新闻室 2018

4.“人工智能在神经科学领域的应用 – 揭开大脑奥秘。”英特尔视频。2017

有关编译器优化的更完整信息,请参阅优化通知