JY & KSSHP TIEDEPÄIVÄ 1. 11. 2017 KONEOPPIMINEN JA AIVOTUTKIMUS Simo Monto, yliopistotutkija, Monitieteinen aivotutkimuskeskus, JY
IHMISAIVOT ~ 1011 hermosolua eli neuronia! harmaa aine = hermosolujen keskukset valkea aine = tuoja- ja viejähaarakkeet alueiden toiminnallinen erikoistuminen tiiviit yhteydet alueiden välillä
MEG ELI MAGNETOENKEFALOGRAFIA mittaa sähkökemiallisen aivotoiminnan tuottamia magneettikenttiä => hermosolujoukkojen paikallinen aktivaatio näytteenottotaajuus > 1000 Hz => reaaliaikainen kypärämäinen 306-kanavainen anturisto => koko aivokuoren laajuinen kuvaus pään ulkopuolinen mittaus => haitaton, sopii kaikille Elekta oy
AIVOJEN JA KONEOPPIMISEN YHTEYKSISTÄ Koneoppimismenetelmät ovat inspiroituneet aivoista aivojen suoriutuvat hämmästyttävän hyvin monista vaikeista asioista (esim. nopea kategorisointi, hajautettu analyysi, iso muistikapasiteetti, systeemiohjaus) - Neuroverkot / Deep learning, Kohosen itseorganisoituva kartta Toisaalta aivojen algoritmien hiljalleen avautuessa voi huomata, että biologia käyttää samoja menetelmiä kuin mitä koneoppimiseen on kehitetty (virhepropagaatio, kilpailu, ) Itseorganisoituva kartta on tehokas esimerkiksi monimutkaisen datan esittämisessä / klusteroinnissa Sekä laskennalliset että todelliset neuroverkot rakentuvat useissa eri kerroksissa olevista soluryhmistä Näköaivokuoren solut ovat herkistyneet samoille piirteille kuin harvaan koodaukseen perustuvat algoritmit [Olshausen, Nature 1996]
KONEOPPIMINEN AIVOTUTKIMUKSESSA - käytetty jo melko varhain, mutta vasta viime vuosina läpimurto - datan kasvava määrä - uusien menetelmien sensitiivisyys ja spesifisyys - ohjelmistojen ja laskennan kapasiteetti - painottunut ohjattuun oppimiseen - usein selvitetään aivojen tilaa, kun käyttäytyminen tai ympäristö tunnetaan - ärsykkeiden representaatio - muistin toiminta - toiminnan ohjaus - käytetään myös aivotoiminnan häiriöiden ja sairauksien diagnosointiin
ALZHEIMERIN DEMENTIAN VARHAINEN TUNNISTAMINEN yleisesti: computer-aided diagnosis / prediction = kuvantaminen / mittaaminen + koneoppimismenetelmät AD ennustaminen aivokuvista ehkä kuumin aihe tällä hetkellä - verraten edullinen, nopea, haitaton luokittelija opetettiin tunnistamaan AD rakennekuvista (n=67) testaus riippumattomalla otoksella (n=148): potilaita, terveitä ja MCIpotilaita ( mild cognitive impairment ; osa myöhemmin AD) tarkkuus > 80 %, jopa niillä joilla sairaus alkoi vuosia myöhemmin toisessa tutkimuksessa tarkkuus 66 % eroteltaessa MCI-potilaista ne, jotka myöhemmin sairastuvat AD yksittäistä sairastumista ennustavaa muutosta vaikea löytää, mutta laajasti yhdistetyt heikot signaalit pystyvät siihen, ilman vahvaa hypoteesia!
ALZHEIMERIN DEMENTIAN VARHAINEN TUNNISTAMINEN Salvatore et al., Front Neurosci 2015
ALZHEIMERIN DEMENTIAN VARHAINEN TUNNISTAMINEN AD MEG kansainvälinen monikeskustutkimus 100 potilasta + verrokit kone oppii luokittelun: terve vs. MCI perustuen MEG-lepomittauksista tehtyihin konnektiivisuusestimaatteihin (ei pelkkä aktivaation voimakkuus) sensitiivisyys=0.9, spesifisyys=0.7 => vaikuttaisi näkyvän vahvasti aivoverkostoissa ilman erityistä tehtävää! Gross et al., PNAS 2002
AIVO-TIETOKONELIITTYMÄ Tulkitaan potilaan aikeita aivotoiminnan perusteella Kliininen / terapeuttinen tavoite, tutkimushyöty: potilaalle uusi käyttöliittymä maailmaan, jos alkuperäinen rikki kuntoutusmahdollisuuksia esim. aivohalvauksen jälkeen opitaan ymmärtämään esim. kuinka aivot ohjaavat käsiä laajasti eri koneoppimismenetelmiä käytössä; SVM, CSP, random forest, Bayesian, Robottikäden otetta ohjaavan MEGkäyttöliittymän oppima aivoverkosto [Fukuma et al., Plos One 2015]
AIVO-TIETOKONELIITTYMÄ Aivohalvauksesta kuntoutumisessa kuvitellut liikkeet apuna: aivoista mitatut signaalit ohjataan luokittelijalle luokittelija laskee miten kättä yritettiin liikuttaa visuaalinen palaute auttaa potilasta säätämään aivotoimintaa Foldes et al., J Neuroeng Rehabil 2015
ÄRSYKKEEN TIETOINEN HAVAITSEMINEN tässä tapauksessa tietoinen havainto = raportoitu havainto lyhytkestoiset näköärsykkeet, havainto p=50% tehtävät: raportoi i) sijainti ii) näitkö kohteen? vakioidaan kaikki muu paitsi havainto! tavoite: mikä aivoissa ratkaisee tietoisen havainnon? [Salti, Monto et al., elife 2015] Heikkoa pistemäistä välähdystä (33 ms) seurasi maski, joka vaikeutti havaitsemista.
raportoitu sijainti ÄRSYKKEEN TIETOINEN HAVAITSEMINEN koehenkilöt tekivät tehtävää, samanaikaisesti aivotoimintaa mitattiin MEG:llä käyttäytymistason tulokset: 1. tietoinen havainto, oikea vastaus 2. oikea vastaus ilman tietoista havaintoa ( blindsight ) 3. väärä vastaus, tietoinen havainto 4. väärä vastaus ilman tietoista havaintoa Nähdyt kohteet Ei-nähdyt kohteet todellinen sijainti
ÄRSYKKEEN TIETOINEN HAVAITSEMINEN onko MEG-datassa informaatiota ärsykkeestä kuinka tietoinen prosessointi eroaa ei-tietoisesta? koneoppiminen: multi-class probabilistic support vector machine (SVM) Koneoppimisalgoritmin ennustama paikka 150 ms 430 ms todellinen paikka 0,175 SVM-p 0,125 (=arvaus) 0,1
ÄRSYKKEEN TIETOINEN HAVAITSEMINEN 1) aivosignaali sisältää aina tietoa ärsykkeen sijainnista 2) tietoiseen havaintoon liittyvät signaalit sisältävät parempaa informaatiota musta: nähty ärsyke, oikea vastaus vihreä: ei havaintoa, oikea vastaus
KUINKA AIVOT SÄILÖVÄT TYÖMUISTIN SISÄLLÖN? edellä käsiteltiin välitöntä aivovastetta näköärsykkeelle työmuisti: kyky muistaa ja manipuloida aistihavaintoja vielä niiden esittämisen jälkeenkin kuinka aivot prosessoivat off-line aineistoa? tyypillinen koeasetelma: esitetään tietoa, ja hetken päästä kysytään siitä jotain voidaanko aivomittauksilla nähdä, missä informaatio piileskelee silloin kun se ei ole näkyvissä?
KUINKA AIVOT SÄILÖVÄT TYÖMUISTIN SISÄLLÖN? nähtävästi voidaan Polania et al., J Cogn Neurosci 2011
HAVAITSEMINEN JA ENNUSTAMINEN havaintojärjestelmä toimii paitsi aistien tuottaman informaation myös aivojen tuottamien ennusteiden varassa voidaanko aivotoiminnasta etsiä havaintojärjestelmän muodostamia arvauksia tulevista ärsykkeistä? ei oikeastaan tiedetä, mitä pitäisi etsiä mutta silti koneoppimismenetelmillä voidaan nähdä aivojen tekemien arvausten kaikuja Kok et al., PNAS 2017
CIBR VISIO 2020 kehitetään huipputason aivomittausympäristöä kliiniset tarpeet huomioiden yhteistyössä eri käyttäjäryhmien kanssa: yliopisto, sairaalat, JAMK, yksityiset toimijat laaja normiaineisto (tietokanta) tutkijoiden käyttöön kehittyneet menetelmät merkityksellisen tiedon louhintaan aivomittauksista osallistuminen biopankkitoimintaan