ringkasan: Para peneliti telah mengembangkan model inovatif yang disebut Brain Language Model (BrainLM) yang menggunakan kecerdasan buatan generatif untuk memetakan aktivitas otak dan implikasinya terhadap perilaku dan penyakit. BrainLM memanfaatkan 80.000 pemindaian terhadap 40.000 subjek untuk membuat model dasar yang menangkap dinamika aktivitas otak tanpa memerlukan data spesifik terkait penyakit.

Model ini secara signifikan mengurangi biaya dan volume data yang diperlukan untuk studi otak tradisional, dan memberikan kerangka kerja yang kuat yang dapat memprediksi kondisi seperti depresi, kecemasan, dan PTSD dengan lebih efektif dibandingkan alat lainnya. BrainLM menunjukkan penerapan yang efektif dalam uji klinis, berpotensi memangkas setengah biaya dengan mengidentifikasi pasien yang paling mungkin mendapat manfaat dari pengobatan baru.

Fakta-fakta kunci:

1. Model AI generatif: BrainLM menggunakan AI generatif untuk menganalisis pola aktivitas otak dari kumpulan data berskala besar, mempelajari dinamika yang mendasarinya tanpa detail spesifik pasien.
2. Biaya dan efisiensi dalam penelitian: Model ini mengurangi kebutuhan untuk mendaftarkan pasien berskala besar dalam uji klinis, yang secara signifikan dapat mengurangi biaya dengan menggunakan kemampuan prediktifnya untuk memilih kandidat penelitian yang tepat.
3. Aplikasi Luas: Diuji di berbagai pemindai dan demografi, BrainLM telah menunjukkan kinerja unggul dalam memprediksi berbagai masalah kesehatan mental dan menjanjikan untuk membantu penelitian dan strategi pengobatan di masa depan.

sumber: Fakultas Kedokteran Baylor

Sebuah tim peneliti di Baylor College of Medicine dan Yale University menggabungkan kecerdasan buatan generatif (AI) untuk menciptakan model dasar aktivitas otak. Brain Language Model (BrainLM) dikembangkan untuk memodelkan otak secara silico dan menentukan bagaimana aktivitas otak berhubungan dengan perilaku manusia dan penyakit otak.

Penelitian ini telah dipublikasikan sebagai makalah konferensi di ICLR 2024.

“Kita sudah lama mengetahui bahwa aktivitas otak berhubungan dengan perilaku seseorang dan banyak penyakit seperti kejang atau penyakit Parkinson,” kata Dr. Shadi Abdallah, profesor di Departemen Psikiatri dan Ilmu Perilaku Menninger di Baylor University dan Institut Teknologi Massachusetts. Rekan penulis makalah ini.

“Pencitraan otak fungsional, atau fMRI, memungkinkan kita melihat aktivitas otak di seluruh otak, namun sebelumnya kita belum dapat sepenuhnya menangkap dinamika aktivitas ini dalam ruang dan waktu menggunakan alat analisis data tradisional.

“Baru-baru ini, orang-orang mulai menggunakan pembelajaran mesin untuk menangkap kompleksitas otak dan kaitannya dengan penyakit tertentu, namun hal ini ternyata memerlukan pencatatan dan skrining lengkap terhadap ribuan pasien dengan perilaku atau penyakit tertentu, yang merupakan sebuah proses yang sangat mahal.”

Kekuatan alat AI generatif baru terletak pada penggunaannya untuk membuat model dasar yang tidak bergantung pada tugas tertentu atau kelompok pasien tertentu. AI generatif dapat bertindak sebagai detektif yang mengungkap pola tersembunyi dalam kumpulan data.

Dengan menganalisis titik-titik data dan hubungan di antara keduanya, model-model ini dapat mempelajari dinamika yang mendasarinya—bagaimana dan mengapa segala sesuatunya berubah atau berkembang.

Model dasar ini kemudian disesuaikan untuk memahami berbagai topik. Para peneliti telah menggunakan AI generatif untuk menangkap cara kerja aktivitas otak terlepas dari kelainan atau penyakit tertentu.

Hal ini dapat berlaku untuk populasi mana pun tanpa perlu mengetahui perilaku atau informasi seseorang tentang penyakit, riwayat, atau usianya. Ia hanya memerlukan aktivitas otak untuk mengajarkan komputer dan model AI bagaimana aktivitas otak berkembang seiring ruang dan waktu.

Tim tersebut melakukan 80.000 pemindaian terhadap 40.000 orang dan melatih model tersebut untuk melihat bagaimana aktivitas otak berhubungan satu sama lain dari waktu ke waktu, sehingga menciptakan model dasar aktivitas otak, BrainLM. Sekarang, peneliti dapat menggunakan BrainLM untuk menetapkan tugas tertentu dan mengajukan pertanyaan dalam penelitian lain.

“Jika Anda ingin melakukan uji klinis untuk mengembangkan obat depresi, misalnya, biayanya bisa ratusan juta dolar karena Anda perlu mendaftarkan pasien dalam jumlah besar dan merawat mereka dalam waktu yang lama.

“Dengan kekuatan BrainLM, kita dapat memotong setengah biaya ini dengan hanya mendaftarkan separuh pasien dan menggunakan kekuatan BrainLM untuk memilih individu yang paling bersedia menerima manfaat dari pengobatan. Oleh karena itu, BrainLM dapat menerapkan pengetahuan dari 80.000 pemindaian pada hal-hal tertentu mata pelajaran.”

Langkah pertama, pra-pemrosesan, merangkum sinyal dan menghilangkan kebisingan yang tidak berhubungan dengan aktivitas otak. Para peneliti memasukkan ringkasan tersebut ke dalam model pembelajaran mesin dan menutupi persentase data untuk setiap orang. Ketika model mempelajari dinamikanya, mereka mengujinya pada set pengujian yang diabaikan.

Mereka juga mengujinya pada sampel yang berbeda untuk memahami seberapa baik model tersebut dapat menggeneralisasi data yang diperoleh menggunakan pemindai yang berbeda dan pada populasi yang berbeda, seperti orang dewasa yang lebih tua dan orang dewasa yang lebih muda.

Mereka menemukan bahwa BrainLM bekerja dengan baik dalam sampel yang berbeda. Mereka juga menemukan bahwa BrainLM memprediksi tingkat keparahan depresi, kecemasan, dan PTSD lebih baik dibandingkan alat pembelajaran mesin lain yang tidak menggunakan AI generatif.

“Kami menemukan bahwa BrainLM bekerja dengan sangat baik. Ia memprediksi aktivitas otak dalam sampel baru yang disembunyikan selama pelatihan, dan juga bekerja dengan baik dengan data dari pemindai baru dan populasi baru,” kata Abdullah.

“Hasil mengesankan ini dicapai melalui survei terhadap 40.000 orang. Kami kini berupaya meningkatkan kumpulan data pelatihan secara signifikan.

“Semakin kuat model yang bisa kita bangun, semakin banyak yang bisa kita lakukan untuk membantu merawat pasien, seperti mengembangkan pengobatan baru untuk penyakit mental atau memandu bedah saraf untuk kejang atau stimulasi otak dalam.”

Para peneliti berencana menerapkan model ini dalam penelitian masa depan untuk memprediksi penyakit terkait otak.

Tentang berita penelitian kecerdasan buatan dan ilmu saraf

pengarang: Homa Warren
sumber: Fakultas Kedokteran Baylor
komunikasi: Homa Warren – Fakultas Kedokteran Baylor
gambar: Gambar dikreditkan ke Berita Neuroscience

Pencarian asli: Hasilnya akan ditampilkan di Konferensi Internasional Penelitian Pertanian 2024