科学家将开发深度学习框架，以将机器学习集成到神经影像研究中
佐治亚州立大学的研究人员与麻省理工学院（MIT）和麻省总医院（MGH）的同事们通过推进获得了美国国立卫生研究院脑研究的 250万美元赠款创新性神经技术（BRAIN） 研究计划，旨在彻底改变科学家对人脑的理解。
该团队将开发Nobrainer（一种用于3D图像处理的开源深度学习框架），以将机器学习集成到神经影像研究和临床应用中。
佐治亚州立大学计算机科学副教授，研究资助机构负责人谢尔盖·普利斯（Sergey Plis）表示：“人工智能和深度学习的进步可以帮助研究人员从大脑扫描中获取更多见解，同时减少处理数据所需的时间。” 。“例如，我们可以了解有关精神疾病或衰老如何影响大脑结构的细节。”
能够阐明这类复杂模式的模型非常耗费数据，而组装庞大的大脑数据集具有挑战性，特别是对于小型研究小组而言。
“当Google想要创建一个聊天机器人时，他们可以使用每次互联网搜索中的数据来训练它，”同时也是神经影像和数据科学转化研究中心机器学习核心主管的Plis说 。“但是，对于脑成像仪来说，障碍可能太高。收集成千上万的大脑扫描以及训练所需的硬件非常昂贵，并且您必须匿名化数据才能解决隐私问题。”
该团队由 麻省理工学院 的 Satrajit Ghosh ，MGH的Bruce Fischl和Plis领导。他们计划创建深度神经网络，该网络已经接受了来自65，000多人的脑部扫描的培训。他们将把该技术作为一组广泛使用的工具和神经科学家的现成模型进行传播。工具和产生的模型将被标准化，以确保科学家们可以获得可比的结果并更轻松地共享它们，而无需担心患者的机密性。
团队正在开发一种独特的功能，其中的模型可以批判他们所知道的信息，量化自己分析中的不确定性程度，并报告可能存在错误的地方。这可以帮助科学家确定何时信任该模型以及何时需要收集更多数据。随着越来越多的研究人员使用模型，提出新的问题或将模型调整为新的数据集，这些工具将继续学习，变得更加准确。
普利斯说：“模型传播得越远，就像土豆一样，变得更好。” “当您正在研究以不可预测的方式影响大脑的事物（例如中风）时，您需要大量数据，因为患者预后会存在很多差异。借助热土豆学习方式，该模型逐渐吸收了这种可变性，并且在进行预测时变得更好。”
该工具的另一个主要优点是该工具具有比可用模型快得多的数据处理能力。研究团队对Nobrainer进行了培训，使其做出与Freesurfer相同的预测，Freesurfer是MGH开发的同类最佳的MRI分析工具。初步研究表明，这项技术的性能优于Freesurfer，在几分钟到几小时内进行了一些相同的计算。该团队计划使用他们的工具来自动化和加速Freesurfer平台的其他部分以及其他类型的神经成像分析。减少执行复杂分析所需的时间，可以加快关于大脑的科学和临床发现。