一种新的“端到端”深度学习方法用于预测行为状态，使用全皮质功能成像，不需要预处理或预先指定的特征。他们的方法是由医科学生AJIOKA Takehiro和神户大学TAKUMI Toru领导的团队开发的，他们的方法还允许他们识别与算法最相关的大脑区域(如图所示)。提取这些信息的能力为未来脑机接口的发展奠定了基础。来源:Ajioka Takehiro

　　人工智能图像识别算法可以根据脑功能成像数据预测鼠标是否在移动。神户大学的研究人员还开发了一种方法来识别哪些输入数据是相关的，为人工智能黑盒子带来了光明，有可能为脑机接口技术做出贡献。

　　为了产生脑机接口，有必要了解大脑信号和受影响的动作如何相互关联。这被称为“神经解码”，该领域的大多数研究都是通过植入大脑的电极来测量脑细胞的电活动。另一方面，功能成像技术，如功能磁共振成像或钙成像，可以监测整个大脑，并可以通过代理数据显示大脑活动区域。

　　两者中，钙成像更快，提供更好的空间分辨率。但这些数据源仍未被用于神经解码工作。一个特别的障碍是需要对数据进行预处理，例如通过去除噪声或识别感兴趣的区域，这使得很难设计出一种通用的程序来对许多不同类型的行为进行神经解码。

　　人工智能在神经解码方面的突破

　　神户大学医学院学生Ajioka Takehiro利用神经科学家Takumi Toru领导的跨学科专业知识团队来解决这个问题。Ajioka说:“我们在基于vr的小鼠实时成像和运动跟踪系统以及深度学习技术方面的经验使我们能够探索‘端到端’深度学习方法，这意味着它们不需要预处理或预先指定的特征，因此可以评估神经解码的皮质范围信息。”他们将两种不同的深度学习算法(一种用于空间模式，另一种用于时间模式)与小鼠在跑步机上休息或跑步时的全皮层影像数据结合起来，训练他们的人工智能模型，从皮层图像数据中准确预测小鼠是在运动还是休息。

　　在《公共科学图书馆计算生物学》杂志上，神户大学的研究人员报告说，他们的模型在预测动物真实行为状态方面的准确率达到95%，而无需去除噪音或预先定义感兴趣的区域。此外，他们的模型仅基于0.17秒的数据就做出了这些准确的预测，这意味着他们可以达到接近实时的速度。此外，这在五个不同的个体中都有效，这表明该模型可以过滤掉个体特征。

　　确定预测的关键数据

　　然后，神经科学家通过删除部分数据并观察模型在该状态下的表现，来确定图像数据的哪些部分主要负责预测。预测越糟糕，数据就越重要。Ajioka解释说:“我们的模型识别行为分类的关键皮层区域的能力特别令人兴奋，因为它打开了深度学习技术‘黑盒子’的盖子。”

　　综上所述，神户大学的研究小组建立了一种通用的技术，可以从全皮层功能成像数据中识别行为状态，并开发了一种技术来识别预测所基于的数据部分。Ajioka解释了为什么这是相关的。“这项研究为进一步开发脑机接口奠定了基础，该接口能够使用非侵入性脑成像进行近乎实时的行为解码。”

　　参考文献:“端到端深度学习方法从全皮质钙成像小鼠行为分类”，作者:Takehiro Ajioka, Nobuhiro Nakai, Okito Yamashita和Toru Takumi, 2024年3月13日，PLOS Computational Biology。DOI: 10.1371 / journal.pcbi.1011074

　　本研究由日本科学促进会(拨款JP16H06316、JP23H04233、JP23KK0132、JP19K16886、JP23K14673和JP23H04138)、日本医学研究与开发机构(拨款JP21wm0425011)、日本科学技术振兴机构(拨款JPMJMS2299和JPMJMS229B)、国家神经病学和精神病学中心(拨款30-9)和武田科学基金会资助。这项研究是与ATR神经信息分析实验室的研究人员合作进行的。