Ett internationellt forskningssamarbete mellan Vanderbilt University och Madrid-baserade de la Prida-labbet i Cajal Institute ledde till utvecklingen av AI-modeller som upptäcker och analyserar hippocampus krusningar, som anses vara biomarkörer för minne.

Forskningsupptäckten, som beskrivs i en artikel i Communications Biology , kan leda till nya möjligheter att upptäcka anfall och neurala förändringar hos personer med Alzheimers sjukdom och andra neurologiska störningar.

Kari Hoffman, docent i psykologi och biomedicinsk teknik vid Vanderbilt, och hennes Ph.D. studenten Saman Abbaspoor arbetade på studien med huvudförfattarna Adrian Rubio och Andrea Navas Olive från de la Prida-labbet. Hoffman är också en fakultetsfilial vid Vanderbilt Brain Institute och Data Science Institute.

Som gruppens forskning beskriver har studiet av hjärnoscillationer gett ny förståelse för hjärnans funktion. Hippocampus krusningar är en typ av snabba svängningar som ligger till grund för organiseringen av minnen. De påverkas av sådana neurologiska störningar som epilepsi och Alzheimers sjukdom, så de anses vara en elektroencefalografisk (EEG) biomarkör. Däremot uppvisar krusningar olika vågformsegenskaper och egenskaper som kan missas med vanliga spektrala metoder.

Forskarna satte sig för att få en bättre förståelse för mönster av hjärnaktivitet efter att forskare inom neurovetenskapssamhället krävde behovet av att bättre automatisera, harmonisera och förbättra upptäckten av krusningar över en rad uppgifter och arter. I studien använde författarna inspelningar från laboratoriemöss för att först träna en verktygslåda med modeller för maskininlärning.

De testade sedan generaliserbarheten av modellerna med hjälp av data från icke-mänskliga primater som samlades in vid Vanderbilt av Abbaspoor och Hoffman som en del av BRAIN Initiative. Forskarna fann att det är möjligt att träna AI-algoritmer främst på gnagardata och fortfarande hantera mycket exakt detektering av krusningar hos primater med liten eller ingen ytterligare träning, vilket tyder på att AI-modellerna kan vara framgångsrika hos människor.

Modellverktygslådan uppstod som ett resultat av ett hackathon, vilket resulterade i en kort lista för de bästa upptäcktsmodellerna. Gruppen identifierade mer än 100 möjliga modeller från de olika arkitekturerna som nu är tillgängliga för tillämpning eller omskolning av andra forskare.

"Denna bank av AI-modeller kommer att tillhandahålla nya tillämpningar inom neuroteknikområdet och kan vara användbar för detektion och analys av högfrekventa svängningar i patologier som epilepsi, där de anses vara kliniska markörer", säger Liset de la Prida, forskningsprofessor. vid Instituto Cajal, CSIC.

"Det finns ett stort intresse för att dra fördel av AI för att möjliggöra större precision vid upptäckt av sjukdomstillstånd och för oscilloterapeutika," tillade Hoffman. "Dessa metoder erbjuder löftet att gå längre än att upptäcka "var" i hjärnan men också att upptäcka och i slutändan korrigera "när och hur" av oscillopatier."

Mer information: Andrea Navas-Olive et al, En verktygslåda för maskininlärning för analys av krusningar med skarpa vågor avslöjar gemensamma vågformsdrag över arter, Communications Biology (2024). DOI:10.1038/s42003-024-05871-w

Journalinformation: Kommunikationsbiologi

Tillhandahålls av Vanderbilt University