杜克大學（Duke University）的生物醫學工程師開發出了一種自動化處理方法，可以在短時間內像人類研究人員一樣精確地追蹤活動神經元的形狀。
這項基於人工智慧詮釋視訊影象的新技術，解決了神經元分析中的一個關鍵障礙，使研究人員能夠快速收集和處理神經元訊號，進行實時行為研究。
這項研究發表在《PNAS》上。
為了測量神經活動，研究人員通常使用一種被稱為雙光子鈣成像的處理方式，使他們能夠記錄活體動物大腦中單個神經元的活動。這些記錄使研究人員能夠追蹤哪些神經元正在放電，以及它們如何潛在地對應不同的行為表現。
雖然這些測量結果對行為研究很有用，但在記錄中識別單個神經元是一個艱苦的過程。目前，最準確的方法要求人類分析師圈出他們在記錄中看到的每一個‘火花’，而這通常需要他們在目標神經元被識別和儲存前不斷地暫停和回看視訊。而使這一過程變得更加複雜的是，研究人員通常只想識別在成像的數千個神經元內的不同層中重疊的一小部分活躍神經元。
▲由於神經元彼此之間存在重疊，對其進行單獨識別就變得更加複雜（圖片來源：《PNAS》）
這個處理過程被稱為分段，它既繁瑣又緩慢。研究人員可以在30分鐘的視訊中耗時4-24小時對神經元進行分段，前提是他們在這段時間內全神貫注，不休息，不睡覺，不吃東西，也不上廁所。
相比之下，杜克大學生物醫學工程的影象處理和神經科學研究人員開發的一種新的開源自動化演算法可以在幾分鐘內準確地識別和分割神經元。
杜克大學生物醫學工程Paul Ruffin Scarborough副教授Sina Farsiu博士說：“作為完成大腦活動地圖繪製的關鍵一步，我們的任務是開發一種快速自動演算法，在不同實驗環境下對各種活動神經元影象進行分割，其精確度可與人類媲美，這是一項艱鉅的挑戰。”
論文作者之一、杜克大學生物醫學工程助理教授Yiyang Gong博士說：“資料分析在神經科學領域已經遇到瓶頸很長一段時間了——資料分析師花費了大量的時間來處理資料，但這種演算法可以在20到30分鐘內處理一段30分鐘的視訊。我們還能夠推廣其效能，如果我們需要從具有不同神經元大小或密度的大腦另一層分割神經元，它同樣可以良好地執行。”
▲AI演算法對單個神經元的識別結果（圖片來源：《PNAS》）
深度學習演算法允許研究人員通過多層非線性處理單元快速處理大量資料，這些單元可以被訓練來識別複雜影象的不同部分。該團隊建立了一個演算法，可以處理輸入視訊中的空間和時間資訊。然後他們訓練演算法來模擬人類分析師的分割，同時提高準確性。
這一進展是神經科學家實時跟蹤神經活動的關鍵一步。由於他們這一工具具有廣泛的實用性，團隊已經在網上公開了他們的軟體和註釋資料集。
研究人員已經在使用這種新方法來更密切地研究與小鼠不同行為相關的神經活動。通過更好地瞭解哪些神經元會因為不同的活動啟用，他們希望弄清如何通過操縱大腦活動來改變行為。
研究人員表示，這種經過效能改進的活動神經元檢測應該能夠提供更多關於神經網路和行為狀態的資訊，併為神經科學實驗的加速進展開啟大門。
參考資料：
[1] Artificial intelligence singles out neurons faster than a human can. Retrieved April 16, 2019, from https://www.eurekalert.org/pub_releases/2019-04/du-ais041219.php
[2] Soltanian-Zadeh, et al., (2019). Fast and Robust Active Neuron Segmentation in Two-Photon Calcium Imaging Using Spatio-Temporal Deep-Learning. Proceedings of the National Academy of Sciences, DOI: 10.1073/pnas.1812995116