普林斯顿联手英特尔:用机器学习和高性能计算破解大脑密码

近日,普林斯顿大学和英特尔的研究者在 Nature Neuroscience 上发表了一篇论文《Computational approaches to fMRI analysis》,介绍了普林斯顿和英特尔在破解大脑思维上的研究成果:实现了对 fMRI 脑扫描的实时计算分析。


今年早些时候,大约 30 位神经科学家和计算机程序开发者聚集到了一起,试图提升他们读取人类心智的能力。


这场黑客马拉松(hackathon)是普林斯顿大学和世界最大的计算机处理器制造商英特尔联合举办的一系列活动中的一个,这些活动的目的是为了构建能够实时读取人们的想法的程序。


普林斯顿大学和英特尔的这个研究合作推动了解码数字大脑数据(来自功能性磁共振成像(fMRI)方面的快速发展,有望帮助揭示出带来学习、记忆和其它认知功能的神经活动。近日,一篇关于解码大脑扫描的计算方法上进展的概述论文被发表在了 Nature Neuroscience 上,作者包括普林斯顿神经科学研究所和普林斯顿计算机科学与电气工程系的研究人员,以及英特尔的 Intel Labs 的研究者。


「实时监测大脑功能的能力对于提升对大脑疾病的诊断和治疗以及对心智工作方式的基础研究都有很大的潜力。」普林斯顿神经科学研究所联合主任、Robert Bendheim and Lynn Bendheim Thoman 教授 Jonathan Cohen 说,他也是与英特尔的这个合作的创始成员之一。


自从这项合作两年前开始以来,这些研究者已经将从大脑扫描中提取想法的时间从数天减少到的不到一秒钟,Cohen 说,他同时还是一位心理学教授。


这种实验受益于在黑客马拉松期间诞生的对思想的实时解码。这项研究由普林斯顿神经科学研究所的前博士后 J. Benjamin Hutchinson(现在是东北大学的助理教授)设计,目的是探索当一个人关注其环境或注意力游移到其它想法或记忆时的大脑活动。


在这个实验中,Hutchinson 要求一位研究志愿者(一位躺在 fMRI 扫描仪中的研究生)查看一张关于一家拥挤的咖啡馆里人们的细节丰富的照片。Hutchinson 可以在控制室的计算机上实时地分辨出该研究生是否正在关注这张图片,还是说其思想已经游移到别处去了。


然后 Hutchinson 可以给该研究生反馈她关注这张图片的程度——当她正关注这张图片时,图片会变得更清晰更明亮;当她思想飘走时,图片就会变得暗淡。


这项正在进行的研究可以帮助想要更加了解大脑的神经科学家,也可以帮助想要设计更高效的算法和快速处理大规模数据集的处理方法的计算机科学家。位于俄勒冈 Hillsboro 的 Intel Labs 的资深首席科学家 Theodore Willke 如是说,他同时也是英特尔的 Mind's Eye Lab 的负责人和这项合作中英特尔团队的领导。


「英特尔感兴趣的是为高性能计算开发新兴的应用,与普林斯顿的合作为我们带来的新的挑战。」Willke 说,「我们也希望将我们从对人类智能和认知的研究中所收获的东西导入到机器学习和人工智能中,从而实现其它重要的目标,比如更安全的自动驾驶、更快的药物发现和更容易的癌症早期检测。」


自从 fMRI 在 20 年前发明以来,研究者就一直在不断提升从每一次扫描的巨量数据中进行筛选的能力。fMRI 扫描仪可以获取血流变化的信号——这些信号会在我们时时刻刻思考的大脑中产生。但要从这些测量中读到一个人的真正想法还很困难,要做实时那更是难上加难。


普林斯顿及其它机构已经开发出了一些处理这些数据的技术。比如,普林斯顿大学的 Peter Ramadge 教授的研究工作可以通过结合来自多人的脑扫描数据来识别对应于特定想法的脑活动模式。设计计算机化的指令(即算法)来执行这些分析仍然还是一个重大的研究领域。


强大的高性能计算机帮助减少了执行这些分析的时间,因为我们可以将一个任务分成不同的块然后并行执行。据普林斯顿计算机科学 Paul M. Wythes '55 P86 and Marcia R. Wythes P86 教授 Kai Li 说,这项合作中更好的算法与并行计算的结合最后帮助实现了实时的脑扫描处理。Kai Li 教授也是该合作的创始人之一。


普林斯顿大学和 Intel Labs 已经开发出了能够在大脑被 fMRI 扫描时实时解读想法的软件。其目标是揭示出对应于学习、记忆和其它脑功能的神经活动。在该视频中,心理学教授 Nicholas Turk-Browne 解释了一个典型的实验——在控制室的研究者可以监控躺在 fMRI 扫描仪中的志愿者关注一张繁忙的咖啡馆场景图片中特定人物的能力。该实验由 J. Benjamin Hutchinson 设计。普林斯顿计算机科学博士及现 Intel Labs 的研究者 Yida Wang 帮助设计了实现对 fMRI 数据的实时分析的软件。视频中出现的另一个人是研究生 Anne Mennen,其正使用这种实时分析技术来研究学习和记忆。


一次真正的合作


自 2015 年合作开始,英特尔为普林斯顿提供了价值超过 150 万美元的计算机硬件设备与帮助来支持学校研究生与博士后的研究工作。同时,英特尔也专门雇了 10 个计算机科学家与普林斯顿合作开发此项目,这些专家与普林斯顿的教师、学生、博士后进行了深度合作以改进提升软件效能。


这些算法通过机器学习技术来在数据中对思维进行定位,就像面部识别技术可以帮助用户在社交媒体平台(比如 Facebook)上搜索自己的朋友。机器学习技术需要让计算机获得足够大量的学习样本,从而以便计算机能够对它们从未见过的事物进行分类。


此次合作的一个结果是一套名为 Brain Imaging Analysis Kit (BrainIAK:http://brainiak.org/ ) 的软件工具包。目前,它已经在网上开源可供任何想处理 fMRI 数据的研究者使用。团队现在正在开发一款实时分析服务。「我们的想法是,即便是那些没有能力接触到高性能计算设备的研究者,或者是那些不太清楚如何在这样的计算设备上编写程序来运行分析的人,也可以使用我们开发的这些工具来对大脑扫描数据进行实时解码分析。」Li 说道。


这些科学家对大脑的研究也许最终可以帮助人们克服在注意力或者其它需要及时反馈的疾病上的困难。比如,实时反馈也许可以帮助病人训练他们的大脑来削弱闯入记忆(Intrusive Memory)。尽管这种「大脑训练」的方法需要进一步验证以确定大脑是在学习新的模式而不是变得仅仅擅长于训练任务,但是这些反馈方法提供了新的治疗潜力,Cohen 说道。对大脑的实时分析也可以帮助临床医生做出诊断。


「这种实时解码大脑的能力已经在对脑的基础研究中得到应用。」普林斯顿神经科学系心理学教授 Kenneth Norman 说道,「作为认知神经科学家,我们对于大脑是如何产生思维这件事非常感兴趣。」他继续道「对这些信息的实时处理大大提升了我们科研能力的范围。」


一扇了解人类思维的窗口


这项技术还可以被用来研究我们人类是如何学习的。例如,当一个人正在听一堂数学讲座,特定的神经模式就会被激活。据 Norman 说,通过观察那些能跟上讲座内容的人的神经模式,研究者能够来分析它们是如何与那些跟不上讲座的人的神经模式相区别的。


这项合作正在致力于通过改进技术以获得对人类思考的更清楚的探究。例如,它可以实时解码当一个人看到一张特定面孔时其意识活动的情况。


计算机科学家需要克服的一个挑战是如何把机器学习应用到扫描大脑生成的数据类型上。一个面部识别算法能够扫描成千上万张照片,从而学会分类。但在扫描大脑上,研究人员通常只有每个人的数百份扫描。


尽管扫描的数量有限,每个扫描却包含丰富的数据。软件把大脑图像分到小的立方体中,每个立方体大约 1 毫米宽。这些立方体被称为体素(voxel),是二维图像中像素的三维版本。每个立方体中的大脑活动是持续变化的。


而更为复杂的问题是大脑区域间的连接带来了我们的思想。一次典型的扫描包括 10 万个体素,如果每个体素能与其他的体素进行交流,可能存在的交流就是无限的。而且这些交流能一秒接一秒的变化。英特尔与普林斯顿计算机科学家之间的合作克服了这些计算挑战。参与这一工作的有 Li 和计算机科学助理教授 Barbara Engelhardt,以及 2016 年在普林斯顿获得计算机科学博士学位,如今在英特尔实验室工作的 Yida Wang。


普林斯顿心理学教授 Nicholas Turk-Browne 说,在此之前研究人员需要花费数月时间来分析数据集。有了实时的 fMRI 之后,研究人员能够在进行中调整试验。他说:「如果我的假设涉及到大脑的某个区域,实时检测的时候发现试验并不符合该脑区。那么我们就能让志愿者调整到更好的符合该脑区,这能极大地节省时间,能加速科学发现。」


顾一段特别的记忆,比如童年,我们希望能够在屏幕上生成这段经历的照片。这仍旧很遥远,但我们在不断进步。」


由 Jonathan Cohen、 Nathaniel Daw 等人合著的论文「Computational approaches to fMRI analysis」发表到了 Nature Neuroscience 的 3 月刊上。


论文:fMRI 分析的计算方法(Computational approaches to fMRI analysis)


image.png


摘要:认知神经科学领域的分析方法(analysis methods)并不总是能够应付 fMRI 数据的丰富度。早期的方法的关注重点是估计单个体素(voxel)或区域内的神经活动,求的是试验或块上的平均,然后再分别对每个参与者建模。这种方法基本上忽略了体素上神经表征的分布式本质、任务过程中神经活动的连续动态、对多个参与者执行联合推理的统计学优势以及使用预测模型来约束分析的价值。最近一些探索性的和理论驱动的方法已经开始尝试追求这些机会。这些方法强调了在 fMRI 分析中计算技术的重要性,尤其是机器学习、算法优化和并行计算。这些技术的采用正在实现新一代的实验和分析,并有望改变我们对一些大脑中最复杂的——也明显是人类的——信号的理解,即认知行为,比如思想、意图和记忆。

入门脑科学论文神经科学理论医疗健康普林斯顿大学英特尔
吴攀
吴攀

机器之心编辑

返回顶部