Понимание пластичности нейронов и необходимость в прогнозных моделях

Нейронная пластичность и гибкая структура мозга, способность мозга реорганизовывать свою структуру и функции в ответ на опыт, обучение или травму, являются краеугольным камнем современной нейронауки. Она лежит в основе всего, от приобретения языка в детстве до восстановления двигательной функции после инсульта. Тем не менее, точное прогнозирование того, как отдельный мозг будет перестраивать себя, остается одной из самых неуловимых целей в этой области. Традиционные статистические модели и одноархитектурные нейронные сети часто не достигают цели, когда сталкиваются с мультимодальными, высокоразмерными данными, которые характеризуют пластичность. Этот разрыв вызвал интерес к моделям гибридных нейронных сетей, которые объединяют несколько структур глубокого обучения, чтобы захватить сложную динамику нейропластических изменений.

Гибридные модели объединяют, например, сверточные нейронные сети (CNN) с рекуррентными нейронными сетями (RNN) или механизмами внимания, что позволяет одновременно анализировать пространственные и временные особенности. Такие архитектуры однозначно подходят для прогнозирования результатов пластичности; будь то после реабилитационной терапии, стимуляции мозга или спонтанного восстановления.

Архитектурные основы гибридных нейронных сетей для прогнозирования пластичности

Гибриды CNN-RNN: экстракция пространственно-временной функции

Наиболее широко используемая гибридная структура соединяет CNN с RNN (часто LSTM или GRUs). CNNs преуспевают в извлечении пространственных паттернов из данных нейровизуализации; таких как карты активации фМРТ, трактография диффузионной тензорной визуализации (DTI) или структурные срезы МРТ. Между тем, RNN моделируют последовательные зависимости, что делает их идеальными для отслеживания того, как эти пространственные паттерны развиваются с течением времени. В контексте пластичности CNN может обрабатывать базовые сканы мозга для выявления границ поражения, в то время как RNN узнает, как функциональная связь вокруг этих поражений реорганизуется через сеансы реабилитации.

Исследования показали, что гибриды CNN-LSTM превосходят автономные модели в прогнозировании показателей восстановления двигателя после инсульта (см. ] в научных отчетах 2020 года ]. Совместно кодируя структурные повреждения и временные модели компенсации, эти модели достигают более высокой точности, чем только CNN или RNN.

Механизмы внимания и трансформаторные гибриды

Совсем недавно механизмы внимания и архитектуры трансформаторов были привиты к спинным хребтам CNN и RNN. Самовнимательность позволяет модели динамически взвешивать релевантность различных временных точек или областей мозга, что имеет решающее значение, когда пластичность проявляет нелинейные траектории. Гибрид, который объединяет 3D CNN с трансформатором, может, например, выделить, какие корковые области наиболее предиктивны для восстановления языка после афазии, предлагая как прогнозирование, так и интерпретируемость.

Исследователи из Центра биомедицинской визуализации Атиноулы А. Мартиноса изучили такие архитектуры для продольных данных фМРТ, показывая, что трансформаторные CNN захватывают долгосрочные зависимости в функциональных изменениях подключения, которые не упускают LSTM.

Графовые нейронные сети (GNN) интегрированы с CNN

Поскольку мозг по своей сути является сетью, графовые нейронные сети вошли в гибридный ландшафт. Гибридная модель может использовать CNN для извлечения признаков узлов из региональных объемов мозга, а затем подавать эти особенности в GNN, который моделирует структурный или функциональный коннектом. Этот подход особенно перспективен для прогнозирования результатов пластичности при расстройствах, характеризующихся нарушениями сети, такими как черепно-мозговая травма или рассеянный склероз. Ранние результаты показывают, что гибриды CNN-GNN могут предсказать, какие пациенты получат выгоду от конкретных протоколов нейростимуляции (] см. исследование 2022 года в NeuroImage: Clinical].

Модальности данных для гибридной модели

Мощность гибридных моделей обусловлена их способностью сплавлять гетерогенные потоки данных. Исследователи обычно подают следующие типы данных в гибридные архитектуры:

  • Структурная МРТ (T1, T2, DTI) – обеспечивает морфологические и белые свойства целостности.
  • Функциональная МРТ (в состоянии покоя и на основе задач) – захватывает динамическую функциональную связь.
  • Электроэнцефалография (ЭЭГ) и Магнитоэнцефалография (MEG) – предлагают временную динамику осцилляционной активности, связанной с пластичностью, в миллисекундном разрешении.
  • Генетические и транскриптомные данные – оценки полигенного риска, уровни экспрессии генов для генов, связанных с пластичностью (например, BDNF, COMT).
  • Поведенческие/клинические оценки – результаты когнитивных или моторных тестов на нескольких сессиях.

Хорошо спроектированная гибридная модель может изучать кросс-модальные соответствия, которые были бы невидимы для односетевого подхода. Например, двухпотоковая архитектура может обрабатывать тракты DTI в одном потоке и спектрограммы ЭЭГ в другом, сливая латентные представления перед окончательным слоем прогнозирования.

Гибридные модели обучения: вызовы и решения

Дефицит данных и дисбаланс

Нейробиологические наборы данных, как известно, малы, часто сотни, а не тысячи субъектов. Гибридные модели с миллионами параметров склонны к переобучению. Такие методы, как обучение передаче (преподавание на больших наборах изображений общего назначения, таких как ImageNet для компонента CNN), увеличение данных (имитированные маски поражения, временное дрожание) и регулярное обучение (выпадение, распад веса) также используются для синтеза реалистичных временных рядов МРТ для увеличения данных обучения.

Вычислительные требования

Обучение гибрида CNN-RNN-Transformer на данных 4D fMRI требует существенной памяти GPU и времени обработки. Исследователи часто прибегают к модели параллелизма и смешанной точности обучения. Облачные решения (AWS, Google Cloud TPU) и фреймворки с открытым исходным кодом (PyTorch, TensorFlow) снизили барьер, но высокие затраты остаются барьером для многих лабораторий.

Интерпретируемость и клиническое доверие

Клиницисты требуют объяснимых предсказаний. Гибридные модели могут включать в себя карты заметности (через Grad-CAM на части CNN) и визуализации веса внимания (от трансформатора). Кроме того, слоеобразное распространение релевантности (LRP) может отслеживать, какие функции ввода наиболее способствовали выходу. В статье 2023 года в Природный машинный интеллект продемонстрирован интерпретируемый CNN-LSTM, который выделил изменения таламокортической связи в качестве ключевых предикторов пластичности после травмы спинного мозга, открытие, которое согласуется с известной нейроанатомией.

Ключевые клинические применения

Реабилитация инсульта

Прогнозирование восстановления моторики или языка после инсульта является наиболее активной областью применения. Гибридные модели, которые интегрируют МРТ острой фазы, ЭЭГ во время попытки движения, и базовые клинические оценки могут прогнозировать степень восстановления на 3, 6 или 12 месяцев. Это позволяет клиницистам стратифицировать пациентов в группы с высоким и низким уровнем ответа, соответствующим образом адаптируя интенсивность терапии. Несколько текущих клинических испытаний проспективно подтверждают эти модели.

Прогноз реакции нейростимуляции

Транскраниальная магнитная стимуляция (ТМС) и транскраниальная стимуляция постоянным током (tDCS) вызывают пластичность, но индивидуальные реакции сильно различаются. Гибридные модели, обученные предстимуляционной связи (fMRI) и кортикальной морфологии (MRI), могут предсказать, кто покажет устойчивое долгосрочное потенцирование. Это может вскоре привести к системам стимуляции замкнутого цикла, которые корректируют параметры в реальном времени на основе прогнозируемых траекторий пластичности.

Педиатрическое нейроразвитие

У детей пластичность лежит в основе обучения и восстановления от ранних мозговых оскорблений. Разработаны гибридные модели с использованием продольной МРТ и когнитивного тестирования для прогнозирования результатов чтения у детей с дислексией, а также моторных исходов при церебральном параличе. Ранняя идентификация бедных респондентов позволяет проводить раннее вмешательство.

Нейродегенеративное заболевание

Даже в дегенеративных условиях, таких как болезнь Альцгеймера, компенсаторная пластичность возникает на ранних стадиях. Гибридные модели могут обнаруживать тонкие сетевые реорганизации, которые предшествуют клиническому снижению, потенциально служа биомаркерами для модифицирующих болезнь методов лечения.

Будущие направления

В следующем десятилетии, вероятно, будет несколько достижений, которые сделают гибридные модели нейронных сетей более практичными и эффективными.

  • Самоконтролируемое обучение для использования немаркированного сканирования мозга и снижения зависимости от дорогих аннотированных наборов данных.
  • Мультимодальные модели фундамента предварительно обучены массивным данным нейробиологии (например, UK Biobank, Human Connectome Project), которые могут быть точно настроены для прогнозирования пластичности.
  • Байесовские гибридные модели , которые дают оценки неопределенности наряду с прогнозами, критически важными для принятия клинических решений.
  • Интеграция с устройствами нейромодуляции для создания интерфейсов мозг-компьютер с замкнутым контуром, которые адаптируются к прогнозируемым состояниям пластичности.
  • Косовый вывод встраивание в гибридные архитектуры, чтобы отличить истинную пластичность от спонтанных эффектов восстановления или практики.

Гибридные модели нейронных сетей не являются панацеей, но представляют собой необходимую эволюцию. Объединив пространственную остроту CNN, временное моделирование RNN, реляционное мышление GNN и внимание трансформаторов на большие расстояния, эти модели могут захватить многогранную природу нейронной пластичности. По мере роста наборов данных и сокращения вычислительных затрат гибридные модели станут неотъемлемой частью как фундаментального открытия нейронауки, так и клинического перевода. Для исследователей и клиницистов цель состоит уже не просто в наблюдении пластичности, но в прогнозировании, руководстве и даже ее повышении.