doi.org/10.1109/HPEC43674.2020.9286225
Credibilidade: 999
#Cérebro
A ferramenta de software NeuroTrALE foi projetada para processar grandes quantidades de dados de imagens cerebrais de forma semiautomática, rápida e eficiente.
No final de 2023, o primeiro medicamento com potencial para retardar a progressão da doença de Alzheimer foi aprovado pela Administração Federal de Medicamentos dos EUA. O Alzheimer é um dos muitos distúrbios neurológicos debilitantes que juntos afetam um oitavo da população mundial e, embora o novo medicamento seja um passo na direção certa, ainda há uma longa jornada pela frente para compreendê-lo completamente, e outras doenças semelhantes.
“Reconstruir as complexidades de como o cérebro humano funciona em um nível celular é um dos maiores desafios da neurociência”, diz Lars Gjesteby, membro da equipe técnica e desenvolvedor de algoritmos do Grupo de Sistemas de Saúde e Desempenho Humano do Laboratório Lincoln do MIT. “Atlas cerebrais em rede de alta resolução podem ajudar a melhorar nossa compreensão dos distúrbios ao identificar diferenças entre cérebros saudáveis “”e doentes. No entanto, o progresso tem sido prejudicado por ferramentas insuficientes para visualizar e processar conjuntos de dados de imagens cerebrais muito grandes.”
Um atlas cerebral em rede é, em essência, um mapa detalhado do cérebro que pode ajudar a vincular informações estruturais com a função neural. Para construir tais atlas, os dados de imagens cerebrais precisam ser processados “”e anotados. Por exemplo, cada axônio, ou fibra fina conectando neurônios, precisa ser rastreado, medido e rotulado com informações. Os métodos atuais de processamento de dados de imagens cerebrais, como software baseado em desktop ou ferramentas orientadas para o manual, ainda não foram projetados para lidar com conjuntos de dados em escala cerebral humana. Como tal, os pesquisadores geralmente gastam muito tempo se arrastando por um oceano de dados brutos.
Gjesteby está liderando um projeto para construir o Neuron Tracing and Active Learning Environment (NeuroTrALE), um pipeline de software que traz machine learning, supercomputação, bem como facilidade de uso e acesso a esse desafio de mapeamento cerebral. O NeuroTrALE automatiza grande parte do processamento de dados e exibe a saída em uma interface interativa que permite aos pesquisadores editar e manipular os dados para marcar, filtrar e pesquisar padrões específicos.
Desembaraçando uma bola de lã:
Uma das características definidoras do NeuroTrALE é a técnica de machine learning que ele emprega, chamada aprendizado ativo. Os algoritmos do NeuroTrALE são treinados para rotular automaticamente os dados recebidos com base em dados de imagens cerebrais existentes, mas dados desconhecidos podem apresentar potencial para erros. O aprendizado ativo permite que os usuários corrijam erros manualmente, ensinando o algoritmo a melhorar na próxima vez que encontrar dados semelhantes. Essa mistura de automação e rotulagem manual garante um processamento de dados preciso com uma carga muito menor para o usuário.
“Imagine tirar um raio-X de uma bola de lã. Você veria todas essas linhas cruzadas e sobrepostas”, diz Michael Snyder, do Homeland Decision Support Systems Group do laboratório. “Quando duas linhas se cruzam, isso significa que um dos pedaços de lã está fazendo uma curva de 90 graus ou uma está indo direto para cima e a outra está indo direto para cima? Com “”o aprendizado ativo do NeuroTrALE, os usuários podem rastrear esses fios de lã uma ou duas vezes e treinar o algoritmo para segui-los corretamente avançando. Sem o NeuroTrALE, o usuário teria que rastrear a bola de lã, ou neste caso os axônios do cérebro humano, todas as vezes.” Snyder é um desenvolvedor de software na equipe NeuroTrALE junto com o membro da equipe David Chavez.
Como o NeuroTrALE tira a maior parte do fardo da rotulagem do usuário, ele permite que os pesquisadores processem mais dados mais rapidamente. Além disso, os algoritmos de rastreamento de axônios aproveitam a computação paralela para distribuir computações em várias GPUs ao mesmo tempo, levando a um processamento ainda mais rápido e escalável. Usando o NeuroTrALE, a equipe demonstrou uma redução de 90% no tempo de computação necessário para processar 32 gigabytes de dados em relação aos métodos convencionais de IA.
A equipe também mostrou que um aumento substancial no volume de dados não se traduz em um aumento equivalente no tempo de processamento. Por exemplo, em um estudo recente, eles demonstraram que um aumento de 10.000% no tamanho do conjunto de dados resultou em apenas um aumento de 9% e 22% no tempo total de processamento de dados, usando dois tipos diferentes de unidades centrais de processamento.
“Com os estimados 86 bilhões de neurônios fazendo 100 trilhões de conexões no cérebro humano, rotular manualmente todos os axônios em um único cérebro levaria vidas”, acrescenta Benjamin Roop, um dos desenvolvedores de algoritmos do projeto. “Esta ferramenta tem o potencial de automatizar a criação de conectomas não apenas para um indivíduo, mas para muitos. Isso abre a porta para estudar doenças cerebrais no nível populacional.”O caminho de código aberto para a descoberta
O projeto NeuroTrALE foi formado como uma colaboração financiada internamente entre o Lincoln Laboratory e o laboratório do Professor Kwanghun Chung no campus do MIT. A equipe do Lincoln Lab precisava construir uma maneira para os pesquisadores do Chung Lab analisarem e extrairem informações úteis de sua grande quantidade de dados de imagens cerebrais fluindo para o MIT SuperCloud – um supercomputador administrado pelo Lincoln Laboratory para dar suporte à pesquisa do MIT. A experiência do Lincoln Lab em computação de alto desempenho, processamento de imagens e inteligência artificial o tornou excepcionalmente adequado para enfrentar esse desafio.
Em 2020, a equipe carregou o NeuroTrALE para o SuperCloud e em 2022 o Chung Lab estava produzindo resultados. Em um estudo, publicado na Science, eles usaram o NeuroTrALE para quantificar a densidade de células do córtex pré-frontal em relação à doença de Alzheimer, onde os cérebros afetados pela doença tinham uma densidade celular menor em certas regiões do que aqueles sem. A mesma equipe também localizou onde no cérebro as neurofibras prejudiciais tendem a se enredar no tecido cerebral afetado pelo Alzheimer.
O trabalho no NeuroTrALE continuou com o financiamento do Lincoln Laboratory e do National Institutes of Health (NIH) para desenvolver os recursos do NeuroTrALE. Atualmente, suas ferramentas de interface de usuário estão sendo integradas ao programa Neuroglancer do Google – um aplicativo visualizador de código aberto e baseado na web para dados de neurociência. O NeuroTrALE adiciona a capacidade dos usuários de visualizar e editar seus dados anotados dinamicamente, e para vários usuários trabalharem com os mesmos dados ao mesmo tempo. Os usuários também podem criar e editar uma série de formas, como polígonos, pontos e linhas para facilitar as tarefas de anotação, bem como personalizar a exibição de cores para cada anotação para distinguir neurônios em regiões densas.
“O NeuroTrALE fornece uma solução de ponta a ponta, independente de plataforma, que pode ser fácil e rapidamente implantada em ambientes autônomos, virtuais, em nuvem e de computação de alto desempenho por meio de contêineres.” diz Adam Michaleas, um engenheiro de computação de alto desempenho do Artificial Intelligence Technology Group do laboratório. “Além disso, ele melhora significativamente a experiência do usuário final ao fornecer recursos para colaboração em tempo real dentro da comunidade de neurociência por meio de visualização de dados e revisão simultânea de conteúdo.”
Para se alinhar à missão do NIH de compartilhar produtos de pesquisa, o objetivo da equipe é tornar o NeuroTrALE uma ferramenta totalmente de código aberto para qualquer pessoa usar. E esse tipo de ferramenta, diz Gjesteby, é o que é necessário para atingir o objetivo final de mapear a totalidade do cérebro humano para pesquisa e, eventualmente, desenvolvimento de medicamentos. “É um esforço de base da comunidade em que dados e algoritmos devem ser compartilhados e acessados “”por todos.”
Publicado em 03/09/2024 02h51
Artigo original:
Estudo original: