AI解码全脑皮层功能图像以预测行为状态

一种人工智能图像识别算法可以根据脑功能成像数据预测小鼠是否在移动。神户大学的研究人员还开发了一种方法，用于识别哪些输入数据是相关的，为人工智能黑箱带来了光明，有望为脑机接口技术做出贡献。

为了生产脑机接口，需要了解脑信号和受影响的行为之间是如何相互关联的。这被称为“神经解码”，该领域的大多数研究都是基于脑细胞电活动的，通过植入大脑的电极进行测量。另一方面，功能成像技术，如功能性磁共振成像（fMRI）或钙成像，可以监测整个大脑，并通过代理数据使活跃的大脑区域可视化。其中，钙成像速度更快，空间分辨率更高。但这些数据源在神经解码工作中尚未得到开发。一个特别的障碍是需要对数据进行预处理，如去除噪声或识别感兴趣区域，这使得很难为许多不同类型行为的神经解码设计一种通用程序。

神户大学医学生AJIOKA Takehiro利用由神经科学家TAKUMI Toru领导的团队的跨学科专业知识来解决这个问题。“我们在基于虚拟现实（VR）的实时成像和小鼠运动跟踪系统以及深度学习技术方面的经验，使我们能够探索‘端到端’的深度学习方法，这意味着它们不需要预处理或预先指定的特征，从而可以评估整个皮层的信息来进行神经解码，”Ajioka说。他们将两种不同的深度学习算法相结合，一个用于空间模式，一个用于时间模式，对小鼠在跑步机上静止或奔跑时的全皮层电影数据进行处理，并训练他们的人工智能模型，以根据皮层图像数据准确预测小鼠是在移动还是静止。

在《PLOS Computational Biology》期刊上，神户大学的研究人员报告称，他们的模型在预测动物的真实行为状态方面准确率高达95%，而无需去除噪声或预先定义感兴趣区域。此外，他们的模型仅基于0.17秒的数据就做出了这些准确预测，这意味着它们可以实现接近实时的速度。此外，这在五个不同的个体身上都有效，这表明该模型可以过滤掉个体特征。

然后，这些神经科学家通过删除部分数据并观察模型在该状态下的性能，来确定哪些部分的图像数据主要负责预测。预测结果越差，这些数据就越重要。“我们的模型能够识别出对行为分类至关重要的皮层区域，这一能力特别令人兴奋，因为它打开了深度学习技术‘黑箱’方面的盖子，”Ajioka解释道。

综上所述，神户大学团队建立了一种从全皮层功能成像数据中识别行为状态的通用技术，并开发了一种技术来确定预测是基于数据的哪些部分。Ajioka解释了为什么这很重要。“这项研究为进一步发展能够使用非侵入性脑成像进行接近实时行为解码的脑机接口奠定了基础。”