هوش مصنوعی “تغییر پارادایم” را در مطالعه آسیب مغزی ارائه می دهد

از گریدرون تا میدان نبرد، مطالعه آسیب‌های مغزی تروماتیک در سال‌های اخیر منفجر شده است. برای درک آسیب مغزی، توانایی مدل‌سازی نیروهای مکانیکی است که بافت مغز را فشرده، کشیده و می‌پیچاند و باعث آسیب‌هایی از زودگذر تا کشنده می‌شود.

محققان دانشگاه استنفورد اکنون می گویند که از هوش مصنوعی برای تولید مدلی عمیق تر از چگونگی تبدیل تغییر شکل ها به استرس در مغز استفاده کرده اند و معتقدند که رویکرد آنها می تواند درک قطعی تری از اینکه چه زمانی و چرا ضربه مغزی گاهی منجر به آسیب مغزی پایدار می شود را نشان دهد. و زمان های دیگر نه.

الن کول، استاد مهندسی مکانیک، مدیر Living می گوید: “مشکل در مدل سازی مغز تا به امروز این است که مغز یک بافت همگن نیست – در همه قسمت های مغز یکسان نیست. با این حال، تروما اغلب فراگیر است.” Matter Lab و نویسنده ارشد یک مطالعه جدید که در مجله منتشر شده است Acta Biomaterialia. مغز نیز بسیار نرم است، بسیار شبیه به Jell-O، که هم آزمایش و هم مدل سازی اثرات فیزیکی روی مغز را بسیار چالش برانگیز می کند.

رفتن به کتابخانه

محققانی که می‌خواهند آسیب‌های مغزی را مطالعه کنند، مجبور می‌شوند از میان کتابخانه‌ای متشکل از ده‌ها مدل مواد، که قدمت برخی از آنها تقریباً به یک قرن پیش می‌رسد، انتخاب کنند تا به محاسبه استرس‌های وارده بر مغز کمک کنند.

برای دهه‌ها، دانشمندان این مدل‌ها را برای مواد نرم با نام‌های غیرقابل درک مانند «مدل نئو هوکی برای پلاستیک و لاستیک»، «مدل دمیری برای بافت‌های نرم» و «مدل اوگدن برای جامدات لاستیک‌مانند» توسعه داده‌اند. اما مدلی که برای نوع خاصی از تنش – کشش، تراکم یا برش – کار می‌کند، ممکن است برای دیگری کارایی نداشته باشد. به طور مشابه، مدلی که ممکن است برای یک ناحیه از مغز کار کند، ممکن است برای منطقه دیگر کارایی نداشته باشد.

رویکرد جدید مدل مدل‌ها را در پیش می‌گیرد و از هوش مصنوعی استفاده می‌کند تا کشف کند کدام مدل از بین بیش از 4000 احتمال، رفتار مغز را به بهترین شکل توضیح می‌دهد. در گذشته، انتخاب بهترین مدل فرآیندی بود که تا حد زیادی به تجربه کاربر و ترجیحات شخصی بستگی داشت.

سارا سنت پیر، محقق دکترا در آزمایشگاه Kuhl و یکی از نویسندگان مقاله، می‌افزاید: «ما انتخاب کاربر را با اجازه دادن به یادگیری ماشین برای بررسی داده‌ها و تصمیم‌گیری بهترین مدل از معادله خارج می‌کنیم. “خودکارسازی این فرآیند موانع را برای مدل سازی مغز کاهش می دهد. اکنون، هر دانش آموز استنفورد می تواند این کار را انجام دهد.” هنگامی که یادگیری ماشین بهترین مدل را کشف کرد، به راحتی می توان آن را به مدل هایی که چندین نسل از محققان پیشنهاد کرده اند مرتبط کرد.

بینش های تحول آفرین

این رویکرد که به عنوان شبکه‌های عصبی مصنوعی سازنده شناخته می‌شود، قبل از اینکه کوین لینکا به آزمایشگاه ماده زنده بپیوندد تا روش خود را بر روی مغز اعمال کند، توسعه داده شد.

لینکا گفت: “ما تمام مدل های سازنده موجود توسعه یافته در قرن گذشته را به شبکه ارائه می دهیم. و هوش مصنوعی ترکیبی را برای یافتن بهترین گزینه انجام می دهد. انجام این کار با دست غیرممکن است.” اکنون، ما به طور موثر مدل جدیدی را کشف کرده‌ایم که ما را در مطالعه استرس مکانیکی در مغز مطمئن‌تر می‌کند.»

بر خلاف شبکه‌های عصبی معمولی، شبکه‌های عصبی مصنوعی سازنده بینش جدیدی از فیزیک مغز ارائه می‌کنند. به عنوان یک مثال، تیم اشاره می کند که آنها پارامترهای فیزیکی معنی دار، مانند سفتی برشی متفاوت در چهار ناحیه مختلف مغز – قشر، عقده های پایه، تاج رادیاتا و جسم پینه ای را دقیقاً در 1.82، 0.88، 0.94 مشخص کرده اند. و هر کدام 0.54 کیلو پاسکال.

مدول برشی نیروی حاصل از ضربه به سر را به عنوان مثال به تغییر شکل بافت مغز مرتبط می کند. با این معیارها، قشر – لایه خاکستری و بیرونی مغز – بیش از سه برابر سفت تر از جسم پینه ای است، شبکه ای از اعصاب که دو نیمکره مغز را به هم متصل می کند.

با چنین دانش بهبودیافته‌ای، محققان ترومای مغزی می‌توانند با دقت بیشتری شبیه‌سازی کنند و بفهمند که آسیب مغزی از کجا منشا می‌گیرد. این می تواند الهام بخش طراحی تجهیزات حفاظتی جدید یا درمان هایی باشد که باعث بهبودی می شود. برای تبدیل این دانش به عمل مهندسی، گروه Kuhl با یک شرکت بزرگ نرم افزار شبیه سازی، Dassault Systemès Simulia همکاری کرده است تا کشف مدل خودکار را مستقیماً در جریان کار تجزیه و تحلیل خود ادغام کند.

کوهل گفت: «آنچه واقعاً هیجان‌انگیز در مورد این تحقیق است، این است که شبکه‌های عصبی مصنوعی می‌توانند یک تغییر پارادایم در مدل‌سازی بافت نرم، از انتخاب مدل تعریف‌شده توسط کاربر تا کشف مدل خودکار ایجاد کنند. این می‌تواند برای همیشه نحوه شبیه‌سازی مواد و ما را تغییر دهد. سازه های.”