Μια ομάδα ερευνητών του Κέντρου Skoltech για την Υπολογιστική και την Εντατική Επιστήμη και Μηχανική (CDISE) κατέλαβε την 4η θέση στον διεθνή διαγωνισμό πρόβλεψης εφηβικής νοημοσύνης που βασίζεται σε MRI. Για πρώτη φορά, οι επιστήμονες του Skoltech χρησιμοποίησαν μεθόδους συναρτήσεων που βασίζονταν σε δίκτυα 3-D βαθιάς μάθησης για να αντιμετωπίσουν αυτό το δύσκολο έργο πρόβλεψης. Τα αποτελέσματα της μελέτης τους δημοσιεύθηκαν στο περιοδικό Adolescent Brain Cognitive Development Neurocognitive Prediction .
Το 2013, το Εθνικό Ινστιτούτο Υγείας των ΗΠΑ (NIH) ξεκίνησε την πρώτη μεγάλη μελέτη αυτού του είδους στην εφηβική εγκεφαλική έρευνα, Εφηβική Brain Cognitive Development (ABCD, abcdstudy.org/ ), για να δει εάν και πώς τα χόμπι και οι συνήθειες των εφήβων επηρεάζουν περαιτέρω την ανάπτυξη του εγκεφάλου τους.
Η απεικόνιση μαγνητικού συντονισμού (MRI) είναι μια κοινή τεχνική που χρησιμοποιείται για τη λήψη εικόνων ανθρώπινων εσωτερικών οργάνων και ιστών. Οι επιστήμονες αναρωτήθηκαν εάν το επίπεδο νοημοσύνης μπορεί να προβλεφθεί από μια εικόνα εγκεφάλου MRI. Η βάση δεδομένων NIH περιέχει συνολικά πάνω από 11.000 δομικές και λειτουργικές εικόνες MRI παιδιών ηλικίας 9-10 ετών.
Οι επιστήμονες του NIH ξεκίνησαν έναν διεθνή διαγωνισμό, καθιστώντας την τεράστια βάση δεδομένων NIH διαθέσιμη σε μια ευρεία κοινότητα για πρώτη φορά. Οι συμμετέχοντες έλαβαν το καθήκον να δημιουργήσουν ένα μοντέλο πρόβλεψης με βάση τις εικόνες του εγκεφάλου. Στο πλαίσιο του διαγωνισμού, η ομάδα Skoltech εφάρμοσε νευρωνικά δίκτυα για επεξεργασία εικόνας MRI. Για να γίνει αυτό, έχτισαν μια αρχιτεκτονική δικτύου που επέτρεπε την εφαρμογή πολλών μαθηματικών μοντέλων στα ίδια δεδομένα, προκειμένου να αυξηθεί η ακρίβεια της πρόβλεψης, και χρησιμοποίησε μια νέα μέθοδο για την ανάλυση των δεδομένων μαγνητικής τομογραφίας.
Στην πρόσφατη μελέτη τους, οι ερευνητές της Skoltech επικεντρώθηκαν στην πρόβλεψη του επιπέδου νοημοσύνης ή της λεγόμενης “υγρής νοημοσύνης”, που χαρακτηρίζει τις βιολογικές ικανότητες του νευρικού συστήματος και δεν έχει καμία σχέση με τις αποκτηθείσες γνώσεις ή δεξιότητες. Είναι σημαντικό ότι προέβησαν σε προβλέψεις τόσο για το επίπεδο νοημοσύνης όσο και για τo μεταβλητό στόχο ανεξάρτητα από την ηλικία, το φύλο, το μέγεθος του εγκεφάλου ή τον σαρωτή μαγνητικής τομογραφίας που χρησιμοποιήθηκε.
“Η ομάδα μας αναπτύσσει, μεταξύ άλλων, μεθόδους βαθιάς μάθησης για τα καθήκοντα όρασης στον υπολογιστή μας, στην ανάλυση των MRI δεδομένων. Στη μελέτη αυτή εφαρμόσαμε σύνολα ταξινομητών σε 3-D νευρωνικών δικτύων υψηλής ακρίβειας : με αυτή την προσέγγιση, μπορεί κανείς να ταξινομήσει μια εικόνα όπως αυτή είναι, χωρίς πρώτα να μειώσει τη διάστασή του και, ως εκ τούτου, χωρίς να χάσει πολύτιμες πληροφορίες », εξηγεί η Αικατερίνη Κοντράτυβα.
