مدل های شبکه عصبی ترکیبی برای پیش بینی نتایج پلاستیک عصبی

درک پلاستیسیته های عصبی و نیاز به مدل های پیش بینی کننده

پلاستیسیته عصبی و استخراج آن؛ ظرفیت مغز برای بازسازی ساختار و عملکرد آن در پاسخ به تجربه، یادگیری یا آسیب و موم؛ سنگ بنای علوم اعصاب مدرن است که همه چیز را از جذب زبان در دوران کودکی به بازیابی موتور پس از سکته پیوند می دهد، با این حال پیش بینی می کند که چگونه یک مغز فردی خود را دوباره بازسازی خواهد کرد یکی از اهداف گریزناپذیر در زمینه های عصبی است که اغلب با شکاف های عصبی بالا مواجه شده است.

مدل های ترکیبی، به عنوان مثال، شبکه های عصبی هم پیوسته (CNNs) را با شبکه های عصبی مکرر (RNNs) یا مکانیسم های توجه ترکیب می کنند، که تجزیه و تحلیل همزمان ویژگی های فضایی و زمانی را امکان پذیر می کند. چنین معماری هایی به طور منحصر به فرد برای پیش بینی نتایج پلاستیک و یا پس از توانبخشی، تحریک مغز، یا بازیابی خود به خودی مناسب هستند.

بنیادهای معماری شبکه های عصبی ترکیبی برای پیش بینی پلاستیک

سی ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان : Sambiotoral time

رایج ترین ساختار ترکیبی CNN را با RNN ها (اغلب LSTMs یا GRUs) ترکیب می کند.سی سی ان در استخراج الگوهای فضایی از داده های تصویربرداری عصبی و استخراج آن ها برتری دارد؛ مانند نقشه های فعال کننده fMRI، تصویربرداری از اتصال ده هاور (DTI) یا برش های ساختاری MRI، در همین حال، وابستگی های مدل RNN به طور متوالی، آنها را ایده آل برای شناسایی این که چگونه این محدودیت های بازسازی مجدد مغز را یاد می گیرند، اسکن های پایه ای است.

مطالعات نشان داده اند که مدل های مستقل سی ان-LSTM در پیش بینی امتیازات بازیابی حرکتی پس از سکته (نگاه کنید به 2020 اثبات مفهوم در گزارش های علمی ) با مشترک رمزگذاری آسیب ساختاری و الگوهای جبران زمان، این مدل ها به دقت بالاتر از CNN یا RNN به تنهایی دست می یابند.

مکانیزم های توجه و هیبریدی های مبتنی بر ترانسفورماتور

اخیرا، مکانیسم های توجه و معماری های ترانسفورماتور به صورت پویا بر روی ستون فقرات CNN و RNN پیوند داده شده اند.خود-تتوجه به مدل اجازه می دهد تا ارتباط نقاط مختلف زمان یا مناطق مغز را به طور پویا، که مهم است که پلاستیک نشان می دهد مسیرهای غیر خطی است.یک هیبرید که یک سی سی سی سی سی سی دی با یک ترانسفورماتور می تواند، به عنوان مثال، که برجسته ترین مناطق بازیابی زبان پس از تفسیر و تفسیر پیش بینی از هر دو.

محققان در Athinoula A. Martinos مرکز تصویربرداری پزشکی چنین معماری هایی را برای داده های طولی fMRI بررسی کرده اند، نشان می دهند که سی ان های تبدیل کننده دارای وابستگی های بلند مدت در تغییرات اتصال عملکردی هستند که LSTM از دست می دهند.

شبکه های عصبی گراف (GNNs) یکپارچه با سی ان سی

از آنجا که مغز ذاتا یک شبکه است، شبکه های عصبی گراف وارد چشم انداز هیبریدی شده اند. [۱] یک مدل هیبریدی می تواند از سی ان برای استخراج ویژگی های گره از حجم مغز منطقه ای استفاده کند، سپس آن ویژگی ها را به یک GNN منتقل کند که به طور خاص برای پیش بینی نتایج بالینی در اختلالات مشخص شده توسط اختلال های شبکه، مانند آسیب مغزی آسیب زا یا مطالعه عصبی اولیه (F دیدن نتایج خاص از سوی بیماران).

ویژگی های رانندگی مدل هیبریدی

قدرت مدل های هیبریدی از توانایی آنها برای ترکیب جریان های داده ناهمگن است. محققان معمولا انواع زیر داده ها را به معماری های هیبریدی تغذیه می کنند:

• MRI ساختاری (T1، T2، DTI) وndash؛ ویژگی های یکپارچگی مورفولوژیک و سفید را فراهم می کند.
• MRI غیر قابل اجرا (resting-state and Task-based) وndash؛ ضبط اتصال عملکردی پویا.
• [EEG] و مانیتونبرگ (MEG) وndash؛ ارائه می دهد یک پویایی زمان با وضوح میلی ثانیه ای از فعالیت نوسانی مرتبط با پلاستیک.
• ] داده های ژنومی و رونویسی وndash؛ امتیازات خطر چندوژنیک، سطوح بیان ژن های مرتبط با پلاستیک (به عنوان مثال، BDNF، COMT)
• امتیازات اخلاقی / بالینی &ndash؛ عملکرد در آزمون های شناختی یا حرکتی در طول جلسات متعدد.

یک مدل هیبریدی خوب طراحی شده می تواند مکاتبات متقابل سازگار را یاد بگیرد که برای یک رویکرد تک شبکه نامرئی خواهد بود، به عنوان مثال، یک معماری دو جریان ممکن است دستگاه های DTI را در یک جریان و طیف EEG در یک دیگر پردازش کند و به ادغام نمایندگی های دیرین قبل از لایه پیش بینی نهایی.

آموزش مدل های هیبریدی: چالش ها و راه حل ها

آسیب پذیری داده ها و Im Balance

داده های عصبی علمی به طور بدنامی کوچک و کم است؛ اغلب صدها، نه هزاران نفر از موضوعات. هیبرید، با میلیون ها پارامتر، مستعد بیش از حد تکنیک هایی مانند یادگیری انتقال (پیش از تمرین داده های تصویر کلی هدف مانند ImageNet برای اجزای سی ان)، افزایش داده ها (مانند ماسک های ساده، ماسک های صوتی)، و آموزش منظم (گازگیری) برای تقویت داده های ضروری است.

مطالبات محاسباتی

آموزش یک هیبریدی سی ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ان ترجمه شده است و آموزش های ابری (AWS ، Google Cloud تنگستن ، تنگستن ، تنگستن ، ۴ ) و فریمور و فریمور و فریمور و فریمورک های منبع باز (Py توور ، دهسور ، دهتور ، دهزور ، سدو ، سدو ، سدو ، سدو ، سدو ، سدون ، سدو ، سدون ، اما هزینه های بالا ، مانع بسیاری از این مانع پایین ، اما هزینه های بالا برای بسیاری از آزمایشگاه باقی مانده است .

قابلیت پیش بینی و اعتماد بالینی

کلینیک ها پیش بینی های قابل توضیح را تقاضا می کنند.مدل های هیبریدی می توانند نقشه های پایداری (از طریق Grad-CAM در بخش سی ان) و تجسم وزن توجه (از ترانسفورماتور) را شامل شوند (به علاوه، انتشار ارتباط لایه (LRP) می تواند ردیابی کند که ویژگی های ورودی بیشتر به خروجی کمک می کند. A کاغذ در ماشین شناخته شده] هوش ماشین طبیعت [F[۳] [۳] [۱]

برنامه های بالینی کلیدی

بازسازی

پیش بینی موتور یا بهبود زبان پس از سکته فعال ترین منطقه نرم افزار است.مدل های هیبریدی که MRI فاز حاد، EEG را در طول حرکت تلاش ادغام می کنند، و نمرات بالینی پایه می تواند درجه بهبودی را در 3، 6 یا 12 ماه پیش بینی کند.این اجازه می دهد تا پزشکان به بیماران را به گروه های دارای مسئولیت بالا و کم، خیاط شدت در حال انجام آزمایش بالینی معتبر است.

پیش بینی واکنش عصبی

تحریک مغناطیسی ترانسال (TMS) و تحریک جریان مستقیم گذرا (tDCS) باعث پلاستیک می شود، اما پاسخ های فردی به طور گسترده ای متفاوت است. مدل های هیبریدی آموزش دیده در اتصال پیش از حلقه (fMRI) و مورفولوژی cortical (MRI) می توانند پیش بینی کنند که چه کسی قوی مدت قوی را نشان می دهد.

توسعه عصبی کودکان

در کودکان، پلاستیک سازی یادگیری و بازیابی را از توهین های اولیه مغز، مدل های هیبریدی با استفاده از MRI طولی و تست شناختی برای پیش بینی نتایج خواندن در کودکان مبتلا به دیسلکسیا و همچنین نتایج حرکتی در فلج مغزی توسعه یافته است.

بیماری های عصبی

حتی در شرایط ⁇ بیماری آلزایمر، پلاستیک جبرانی در مراحل اولیه رخ می دهد.مدل های هیبریدی می توانند سازمان های شبکه ظریف را که پیش از کاهش بالینی، به طور بالقوه به عنوان بیومارکرها برای درمان های سازگار با بیماری خدمت می کنند، شناسایی کنند.

مسیر های آینده

دهه آینده احتمالاً پیشرفت های متعددی را مشاهده خواهد کرد که مدل های شبکه عصبی هیبریدی را عملی تر و تاثیرگذارتر می کند:

• یادگیری خود نظارت بر خود [FLT 1] برای استفاده از اسکن مغز بدون برچسب و کاهش وابستگی به مجموعه داده های ارزان قیمت است.
• مدل های پایه چند منظوره پیش از آموزش داده های گسترده علوم اعصاب (به عنوان مثال، انگلستان Biobank، پروژه اتصال انسان) که می تواند برای پیش بینی پلاستیک به خوبی هماهنگ شود.
• [FLT 1] مدل های هیبریدی [FLT 1] که عدم اطمینان خروجی در کنار پیش بینی ها، بحرانی برای تصمیم گیری بالینی است.
• Integration با دستگاه های نوروتوصی برای ایجاد رابط های مغز-کامپیوتر حلقه بسته که با حالت های پلاستیکی پیش بینی شده سازگار است.
• استنتاج از خودانگیخته، جاسازی در معماری های هیبریدی برای تشخیص پلاستیک واقعی از بهبودی خود به خودی خود یا اثرات عملی.

مدل های شبکه عصبی ترکیبی یک پاناس نیستند، اما آنها یک تکامل ضروری را نشان می دهند.با ترکیب فضایی سی ان، مدل سازی زمان RNNs، استدلال رابطه ای GNN ها، و توجه طولانی مدت ترانسفورماتورها، این مدل ها می توانند ماهیت چند وجهی پلاستیک عصبی را جذب کنند، زیرا داده ها افزایش می یابند و هزینه های محاسباتی، مدل های ساده ای برای پیش بینی آن ها و ساده تر شدن آن ها، و حتی برای مشاهده ی بالینی و نه تنها هدف و نه تنها برای مشاهده ی آن است.