Фото:
KieranMaher/Wikimedia Commons/Max Pixel
Ученые из Сколковского института науки и технологий приняли участие в международном конкурсе прогнозирования уровня интеллекта подростков по результатам магнитно-резонансной томографии мозга. Исследователи впервые использовали ансамблевые методы на основе 3D–нейросетей глубинного обучения. Результаты работы были опубликованы в сборнике Adolescent Brain Cognitive Development Neurocognitive Prediction.
В 2013 году Национальный институт здоровья США (NIH) запустил самое масштабное исследование развития когнитивных способностей у подростков Adolescent Brain Cognitive Development (ABCD). Теперь институт организовал конкурс на создание прогностической модели интеллекта на основе снимков МРТ — одного из самых распространенных методов диагностики внутренних органов и тканей человека.
В базе, которой располагает NIH, хранятся более 11 тысяч структурных и функциональных МРТ снимков подростков девяти-десяти лет. Всем участникам соревнования предлагалось воспользоваться этими большими данными и предложить свой метод анализа и обработки информации.
Сотрудники Сколтеха приняли участие в конкурсе, создав собственную предсказательную систему на основе нейросетей. Для этого они создали алгоритм, который анализирует один и тот же набор данных разными математическими методами. В результате исследователям удалось связать уровень текучего — зависящего от биологических возможностей нервной системы — интеллекта с особенностями изображений МРТ. При этом ученые измерили не сам уровень текучего интеллекта, а целевую переменную, которая не зависит от возраста, пола, объема головного мозга и используемого МРТ сканера.
Точность прогнозирования пока далека от идеала, но, модели, разработанные в рамках организованного NIH соревнования, позволят пролить свет на многочисленные аспекты когнитивного, социального, эмоционального и физического развития в подростковом возрасте.
«Мы занимаемся в том числе и развитием глубинного обучения для создания систем машинного зрения. Они также помогают анализировать данные МРТ. И в этом исследовании мы применяли ансамбли классификаторов на трехмерных сверточных сетях: такой подход позволяет классифицировать изображение целиком, без предварительного снижения размерности, а значит и без потери информации», — рассказала одна из исследователей, аспирантка Сколтеха Екатерина Кондратьева.
