通過回歸神經(jīng)網(wǎng)絡(luò)可以描繪出人類神經(jīng)元圖譜

谷歌公司和德國馬普學會的研究人員聯(lián)合開發(fā)出了一種回歸神經(jīng)網(wǎng)絡(luò)，能夠描繪出人類大腦的神經(jīng)元圖譜。

刻畫神經(jīng)系統(tǒng)中的生物網(wǎng)絡(luò)結(jié)構(gòu)是一個被稱為聯(lián)接組學（connectomics）的研究領(lǐng)域，它是計算密集型的。人的大腦大約包含由100萬億個神經(jīng)突觸連接起來的860億個神經(jīng)元，如果對1立方毫米的人腦組織進行成像，可以產(chǎn)生超過1000TB的數(shù)據(jù)。

幸運的是，人工智能可以提供幫助。

Google和Max Planck神經(jīng)生物學研究所的科學家在《自然方法》雜志上發(fā)表了一篇論文（高精度自動重建神經(jīng)元與洪水填充網(wǎng)絡(luò)），介紹了一種循環(huán)神經(jīng)網(wǎng)絡(luò)—一種常用于手寫和語音識別的機器學習算法—已經(jīng)針對聯(lián)通組學的分析工作進行了專門優(yōu)化。

最先將機器學習用于聯(lián)通組學的并不是谷歌的研究人員——2018年3月，英特爾與麻省理工學院的計算機科學和人工智能實驗室合作開發(fā)了“下一代”腦圖像處理流水線。但谷歌聲稱他們模型的準確性比以前的深度學習技術(shù)提高了“一個數(shù)量級”。

研究人員采用了一種邊緣檢測算法來識別神經(jīng)突起的邊界（生長于神經(jīng)元體上的結(jié)構(gòu)），結(jié)合反饋卷積神經(jīng)網(wǎng)絡(luò)—遞歸神經(jīng)網(wǎng)絡(luò)的一個子類別—將掃描圖像中能夠描述神經(jīng)元的像素組合在一起并進行突出顯示。

為了保持準確性，該團隊提出了一個度量值“預期運行長度”（expected run length，ERL）。如果給定大腦3D圖像中的一個帶有隨機神經(jīng)元的隨機點，這個度量值能夠測量算法在不出錯的情況下跟蹤神經(jīng)元的距離。該研究小組報告說，在對斑胸草雀的大腦進行的一次100萬立方微米的掃描中，該模型的表現(xiàn)比以前的算法“好得多”。

谷歌的研究人員和論文的主要作者Viren Jain與Michal Januszewski在一篇博文中寫道：“通過將這些自動化結(jié)果與修復剩余錯誤所需的少量額外人力相結(jié)合，Max Planck研究所的研究人員現(xiàn)在能夠研究鳴鳥的聯(lián)接組（connectome），以獲得對斑胸草雀的歌唱機理的新見解，并測試與這種鳥如何學習歌唱相關(guān)的理論?！?/p>

除了論文之外，該團隊還在Github上發(fā)布了其模型的TensorFlow代碼，以及用于可視化數(shù)據(jù)集和改進重建結(jié)果的WebGL 3D軟件。他們計劃在未來對該系統(tǒng)做進一步完善，目的是實現(xiàn)突觸解析過程的完全自動化，并“為Max Planck研究所和其他地方的項目做出貢獻。”