Cientistas da Ecole Polytechnique Fédérale de Lausanne (EPFL) e da Universidade de Harvard criaram um método inovador de inteligência artificial que usa redes neurais convolucionais com “aprimoramento direcional” para rastrear eficientemente neurônios em animais em movimento. Isso reduz bastante a anotação manual, acelera a pesquisa de imagens cerebrais e aprofunda nossa compreensão do neurocomportamento.
Cientistas da EPFL e da Universidade de Harvard desenvolveram um método baseado em inteligência artificial para rastrear neurônios em animais em movimento, melhorando a eficiência da pesquisa cerebral com o mínimo de anotação manual.
Avanços recentes permitem imagens de neurônios em animais que se movem livremente. No entanto, para decodificar a atividade do circuito, esses neurônios de imagem devem ser identificados e rastreados computacionalmente. Isto torna-se particularmente desafiador quando o próprio cérebro se move e se deforma dentro do corpo flexível de um organismo, como um verme. Até agora, a comunidade científica não dispunha de ferramentas para resolver este problema.
Agora, uma equipe de cientistas da Ecole Polytechnique Fédérale de Lausanne (EPFL) e da Universidade de Harvard desenvolveu um método pioneiro de inteligência artificial para rastrear neurônios em animais em movimento e deformação. A pesquisa, publicada na Nature Methods, foi liderada por Sahand Jamal Rahi, da Escola de Ciências Básicas da EPFL.
O novo método é baseado em redes neurais convolucionais (CNN), um tipo de inteligência artificial treinada para reconhecer e compreender padrões em imagens. Isto envolve um processo chamado “convolução”, que analisa pequenas partes da imagem de cada vez, como bordas, cores ou formas, e depois reúne todas as informações para fazer sentido e identificar objetos ou padrões.
O problema é que para identificar e rastrear neurônios durante o processo de fotografar o cérebro de um animal, muitas imagens devem ser anotadas à mão, porque os animais parecem muito diferentes em momentos diferentes devido a diferentes deformações corporais. Dada a diversidade de poses de animais, gerar manualmente um número suficiente de anotações para treinar uma CNN pode ser assustador.
Para resolver este problema, os pesquisadores desenvolveram uma CNN aprimorada com função de “aprimoramento direcional”. Esta tecnologia inovadora sintetiza automaticamente anotações confiáveis como referência a partir de anotações manuais limitadas. Como resultado, as CNNs podem aprender com eficácia as deformações internas do cérebro e depois usá-las para criar anotações para novas poses, reduzindo bastante a necessidade de anotações manuais e verificações repetidas.
O novo método é versátil e pode identificar neurônios, quer apareçam como pontos únicos em imagens ou como volumes tridimensionais. Os pesquisadores testaram-no no nematóide Caenorhabditis elegans, que possui apenas 302 neurônios, tornando-o um organismo modelo popular na neurociência.
Usando CNNs aprimoradas, os cientistas mediram a atividade de alguns interneurônios do verme (neurônios que transmitem sinais entre neurônios). Eles descobriram que esses neurônios apresentavam comportamentos complexos, como alterar seus padrões de resposta quando expostos a diferentes estímulos, como explosões periódicas de odores.
A equipe de pesquisa tornou sua CNN acessível, fornecendo uma interface gráfica amigável que integrou melhorias direcionadas, simplificando todo o processo em um pipeline abrangente, desde a anotação manual até a revisão final.
Sahand Jamal Rahi disse: "Ao reduzir drasticamente o esforço manual necessário para segmentar e rastrear neurônios, o novo método aumenta o rendimento da análise para três vezes o da anotação manual completa. Esta descoberta tem o potencial de acelerar a pesquisa de imagens cerebrais e aprofundar nossa compreensão dos circuitos neurais e do comportamento."
Fonte compilada: ScitechDaily