A zebrahalkutatás mindig a viselkedésre épült. A lárvák mozgása, a felnőtt egyedek társas interakciója, a megrázódási reakciók és a gyógyszerek által kiváltott úszásmintaváltozások mind az agyműködés egy-egy ablaka. A probléma azonban az, hogy az emberi megfigyelés nem skálázható. Egyetlen kísérlet óráknyi videóanyagot eredményezhet tucatnyi halról. A kézi értékelés lassú, szubjektív és fáradékonyságra hajlamos. Két képzett megfigyelő ugyanazt a videóklipet nézve eltérő véleményt alakíthat ki arról, mikor kezdődik egy mozgássorozat, vagy hogyan kell besorolni egy fordulatot. Ezek a nézeteltérések zajként jelennek meg az adatokban, és a zaj drága, ha a vizsgált hatás maga kicsi.
Milyen jellemzőket mérnek valójában a MI-alapú viselkedésanalízis-rendszerek
Egy mesterséges intelligencián alapuló viselkedésanalízis-rendszer nem csupán mozgásokat számol. Számítógépes kép- vagy nyomkövetési adatokból numerikus viselkedésmodellt épít fel. A folyamat általában a testhelyzet-becsléssel kezdődik, ahol egy modell azonosítja a kulcsfontosságú pontokat – például a hal fejét, farkát és tömegközéppontját. Ezt követően jellemzők vonhatók le: sebesség, gyorsulás, fordulási szög, halak közötti távolság, mozdulatlansági időtartam és mozgássorozat-gyakoriság. Egyes rendszerek továbbmennek, és a viselkedést diszkrét kategóriákba sorolják, például közeledés, kerülés vagy agresszió. A kimenet egy idősor, amelyet idegrendszeri felvételekkel, gyógyszeradagolással vagy genetikai módosítással lehet időben összehangolni. Éppen ez az összehangolás rejti a rendszer valódi erejét.
Hogyan változtatja meg az ezredmásodperces felbontás a kísérlettervezést
A hagyományos pontozás legfeljebb másodpercre pontosíthatja a viselkedést, ha egyáltalán. A mesterséges intelligencia-rendszerek képkocka-gyakorisággal követhetik a viselkedést, gyakran 30–100 képkocka másodpercenként. Ez a felbontás olyan eseményeket tár fel, amelyek korábban láthatatlanok voltak. Egy 50 millisekundumig tartó ijedtségi reakció, egy rövid szünet egy fordulat előtt, vagy egy finom változás a farokcsapás-gyakoriságban – mindezek most már mérhetők. Olyan kísérleti tervek, amelyek korábban ezrekben számolták a halakat egy kis hatás kimutatásához, néha kevesebb állattal is elvégezhetők, mert a viselkedési mérés gazdagabb és zajmentesebb. Ez nem csupán technikai fejlődés. Megváltoztatja azokat a kérdéseket, amelyeket fel lehet tenni. Például az epilepszia-modelleket tanulmányozó kutatók ma már olyan pontossággal mérhetik a lárvaként élő zebrafishban megjelenő roham-szerű aktivitásokat, amely korábban, egy évtizeddel ezelőtt nem volt lehetséges. Ekkora pontosság a viselkedést mennyiségi jellegű fenotípussá teszi, nem csupán leíró jellegűvé.
| Jellemző | Kézi megfigyelés | Mesterséges intelligencián alapuló viselkedésanalízis |
|---|---|---|
| Időszakra vonatkozó felbontás | Általában 1 másodperc vagy durvább | Képkocka-gyakoriság, gyakran 30–100 Hz |
| Konzisztencia | Változó az észlelőtől és a fáradtságtól függően | Rögzített modell, minden futtatásnál azonos kimenet |
| Jellemzők dimenziószáma | Néhány kézzel értékelt kategória | Több tucatnyi folytonos és diszkrét jellemző |
| Skálázhatóság | Lineáris, az emberi munkaórákkal arányosan | Gyakorlatilag állandó a beállítás után |
| Érzékenység a finom hatásokra | Korlátozott | Magasabb, a csökkent zaj miatt |
Egy létesítményre vonatkozó eset, ahol az algoritmus észrevett olyan dolgokat, amelyeket a szem nem vett észre
Egy idegtudományi labor egy olyan vegyületet vizsgált, amelynek várhatóan csökkentenie kellett az aggodalomhoz hasonló viselkedést felnőtt zebrafish halaknál. A kézi értékelés eredményei irányt mutattak, de statisztikailag nem voltak szignifikánsak. A csapat ugyanazokat a videókat futtatta le egy mesterséges intelligencián alapuló viselkedésanalitikai rendszeren. A rendszer nemcsak megerősítette az irányt, hanem azt is felfedezte, hogy a kezelt halak több időt töltöttek a medence közepén – de csak az első öt percben a fényváltozás után. A kézi értékelés az egész munkamenetet átlagolta, így elmosódott a hatás. Az MI-rendszer időbelileg felbontott képet nyújtott, amely egy konkrét hatásidejű folyamatra utalt. Ez a megállapítás egy következő kísérlethez vezetett, amelyben szűkebb időkeretre és egyértelműbb eredményre jutottak. Az algoritmus nem váltotta fel a kutatókat; inkább jobb kérdést segített nekik megfogalmazni.
Adatintegráció és reprodukálhatóság: videótól a statisztikáig
Az egyik csendesebb előnye az MI-alapú viselkedésanalízisnek a reprodukálhatóság. Amint egy modellt betanítottak és érvényesítettek, ugyanazt a kimenetet adja ugyanarra a bemenetre. Ez az egyenletesség egyszerűbbé teszi az eredmények összehasonlítását különböző kísérletek, laborok és akár évek során is. Számos rendszer ma már adatokat exportál szabványos formátumokban, amelyek közvetlenül beilleszthetők statisztikai szoftverekbe vagy idegrendszeri adatfeldolgozó folyamatokba. Egyes platformok felhőalapú feldolgozást is támogatnak, így több labor is ugyanazzal a modellverzióval elemezheti az adatokat. Ez jelentős változás. Korábban a viselkedési adatok gyakran labor-specifikus táblázatokban rekedtek meg egyedi pontozási szabályokkal. Ma azonban megoszthatók, újraelemezhetők és metaelemzésre is alkalmasak.
Azok a korlátozások, amelyek megakadályozzák az MI-t abban, hogy helyettesítse a neurológust
Temptáló lehet az AI-alapú viselkedésvizsgálatot olyan fekete doboznak tekinteni, amely minden problémát megold. Ez azonban nem így van. A modell teljesítménye erősen függ a tanítási adatok minőségétől. Ha a tanítási adathalmaz nem tartalmazza egy új kísérletben szereplő halfajt, életkort vagy megvilágítási körülményeket, akkor a modell finom, de jelentős hibákat követhet el. A nyomon követés megszűnhet, ha a halak átfedik egymást, vagy ha tükörképek zavarják a kamerát. A viselkedésosztályozási sémák nem univerzálisak. Például az „agresszió” kategória különböző kontextusokban másképp nézhet ki. Ezenkívül egyetlen algoritmus sem képes megállapítani, hogy egy hal beteg, sérült, vagy egyszerűen csak reagál egy hőmérsékletváltozásra. A leghatékonyabb munkafolyamatok az AI-elemzést rendszeres emberi megfigyeléssel kombinálják: az algoritmus végzi az ismétlődő mennyiségi elemzést, az ember pedig az értelmezést és az állatjóléti ellenőrzéseket.
Miért fontos a hardver stabilitása ugyanolyan mértékben, mint a modell
Az MI-alapú viselkedésvizsgálat csak annyira jó, amennyire jó a rá kapcsolódó videó. Egy éles, jól megvilágított felvételre tanított modell nehezen boldogul elmosódott, egyenetlenül megvilágított képkockákkal. Ezért a kameraválasztás, a megvilágítás tervezése és az akvárium geometriája részét képezik a kísérleti felállításnak, nem pedig utólagos gondolatok. A szivattyúk okozta rezgés, a lencséken keletkező pára és az egyenetlen képkockasebesség mindegyike rombolja a követést. Hosszú távú kutatásokat folytató laborok esetében az érzékelőberendezés megbízhatósága gyakran dönti el, hogy egy adathalmaz használható-e hónapoknyi gyűjtés után. A Hunter Lab ezen eszközök gyártási oldalán dolgozik. A cég a labor méretű vízi rendszerek egységes gyártására, anyagválasztására és ellátási lánc megbízhatóságára helyezi a hangsúlyt. Ez a gyártási diszciplína különösen fontos, ha egy idegtudományi projekt hetekig tartó stabil videófelvételt igényel.