Zebražuvinės neurologijos tyrimai visada remiasi elgsena. Lervų judėjimas, suaugusių žuvų socialinis bendravimas, staigaus įspėjimo reakcijos ir vaistų sukelti plaukimo modelių pokyčiai – tai visi langai į smegenų veiklą. Problema ta, kad žmogaus stebėjimas nesikeičia mastu. Vienas eksperimentas gali generuoti valandas vaizdo įrašų, apimtančių dešimtis žuvų. Rankomis atliekama įvertinimo procedūra yra lėta, subjektyvi ir jautri nuovargiui. Du išmokyti stebėtojai, žiūrintys tą patį vaizdo klipą, gali nesutikti dėl to, kada prasideda judėjimo ciklas ar kaip klasifikuoti posūkį. Šie nesutarimai tampa duomenų triukšmu, o triukšmas yra brangus, kai tikroji įtaka yra maža.
Ką iš tikrųjų matuoja dirbtinio intelekto valdomos elgsenos analizės sistemos
Dirbtinio intelekto valdoma elgsenos analizės sistema ne tik suskaičiuoja judesius. Ji sukuria skaitminę elgsenos reprezentaciją iš neapdorotos vaizdo ar stebėjimo duomenų. Šis procesas dažniausiai prasideda pozicijos nustatymu, kai modelis identifikuoja pagrindinius taškus, pvz., žuvies galvą, uodegą ir centrą. Toliau ištraukiami požymiai: greitis, pagreitis, posūkio kampas, atstumas tarp žuvų, sustojimo trukmė ir judesių dažnis. Kai kurios sistemos eina toliau ir klasifikuoja elgseną į atskiras kategorijas, pvz., artėjimą, vengimą ar agresiją. Rezultatas yra laiko eilutė, kurią galima sinchronizuoti su neuroniniais įrašais, vaistų administravimu ar genetinėmis manipuliacijomis. Būtent ši sinchronizacija suteikia tikrąją galią.
Kaip milisekundžių rezoliucija keičia eksperimentų projektavimą
Tradicinė įvertinimo sistema gali nustatyti elgseną tik iki artimiausios sekundės, o dažnai net to nepasiekia. Dirbtinio intelekto sistemos gali stebėti kadrų dažniu – dažniausiai 30–100 kadru per sekundę. Toks tikslumas atskleidžia įvykius, kurie anksčiau buvo nematomi. Pavyzdžiui, staigaus išgąsčio reakcija, trunkanti 50 milisekundžių, trumpa pauzė prieš posūkį arba subtilus uodegos judėjimo dažnio pokytis tampa matuojami. Eksperimentų schemos, kurios anksčiau reikalavo tūkstančių žuvų, kad būtų aptikta nedidelė įtaka, dabar kartais gali būti vykdomos su mažesniu gyvūnų skaičiumi, nes elgsenos duomenys yra turtingesni ir mažiau triukšmingi. Tai ne tik techninis pagerinimas. Tai keičia klausimus, kuriuos galima užduoti. Pavyzdžiui, tyrinėdami epilepsijos modelius, mokslininkai dabar gali tiksliai kiekybiškai įvertinti konvulsyvius protrūkius lervutėse zebrafish – tikslumas, kuris prieš dešimtmetį buvo neįmanomas. Toks tikslumas paverčia elgseną kiekybiniu fenotipu, o ne tik aprašomuoju.
| Funkcija | Rankinis stebėjimas | Dirbtinio intelekto valdoma elgsenos analizė |
|---|---|---|
| Laiko erdvė | Įprastai 1 sekundė arba grubesnis | Kadrų dažnis, dažniausiai 30–100 Hz |
| Tankumas | Kinta priklausomai nuo stebėtojo ir nuovargio | Fiksuota modelis, kiekvieno paleidimo rezultatai vienodi |
| Požymių matmenys | Keli rankomis įvertinti kategorijų tipai | Dešimtys nuolatinių ir diskrečių požymių |
| Masštabavimas | Tiesinė priklausomybė nuo žmogaus darbo valandų | Beveik pastovi po įdiegimo |
| Jautrumas subtiliems poveikiams | LIMITED | Aukštesnis dėl sumažinto triukšmo |
Įmonės atvejis, kai algoritmas pastebėjo tai, ko nepastebėjo akis
Neuro mokslų laboratorija bandė junginį, kuris turėjo sumažinti nerimo panašų elgesį suaugusių zebrų žuvyse. Rankiniu būdu įvertinti rezultatai parodė tendenciją, tačiau ji nebuvo statistiškai reikšminga. Komanda per AI valdomą elgsenos analizės sistemą paleido tuos pačius vaizdo įrašus. Ši sistema ne tik patvirtino tendenciją, bet ir nustatė, kad gydymo veikiamos žuvys daugiau laiko praleido baseino centre, tačiau tik pirmąsias penkias minutes po šviesos pokyčio. Rankinis įvertinimas buvo atliktas viso eksperimento trukme, todėl efektas buvo „išplautas“. AI sistema suteikė laiko išskaidytą vaizdą, nurodžiusį tikslų veiksmo laiko langą. Šis atradimas leido atlikti tolesnį eksperimentą su siauresniu laiko intervalu ir aiškesniais rezultatais. Algoritmas nepakeitė mokslininkų – jis jiems padėjo suformuluoti geresnį klausimą.
Duomenų integracija ir atkuriamumas: nuo vaizdo įrašų iki statistikos
Vienas iš tylesnių privalumų, kuriuos suteikia dirbtinio intelekto (AI) valdoma elgsenos analizė, yra atkuriamumas. Kai modelis išmokytas ir patvirtintas, jis visada sukuria tą patį rezultatą esant tam pačiam įvedimui. Ši nuoseklumas supaprastina rezultatų palyginimą tarp eksperimentų, laboratorijų ir net metų. Dabar daugelis sistemų eksportuoja duomenis standartiniais formatais, kurie tiesiogiai integruojami į statistines programėles arba neuroninių duomenų apdorojimo grandines. Kai kurios platformos palaiko debesijos pagrindu veikiančius apdorojimo sprendimus, leisdamos kelioms laboratorijoms analizuoti duomenis naudojant tą patį modelio variantą. Tai – reikšmingas poslinkis. Anksčiau elgsenos duomenys dažnai būdavo „įstrigę“ laboratorijų specifikuose elektroniniuose žurnalų failuose su individualiais įvertinimo taisyklėmis. Dabar juos galima bendrinti, pakartotinai analizuoti ir atlikti metaanalizę.
Apribojimai, kurie neleidžia dirbtiniam intelektui (AI) pakeisti neurologų
Temptuojama laikyti dirbtinio intelekto (DI) valdomą elgesio analizę juoduoju dėžute, kuri išsprendžia viską. Tačiau tai ne taip. Modelio veiksmingumas labai priklauso nuo mokymo duomenų kokybės. Jei mokymo rinkinyje nėra naujo eksperimento žuvų rūšies, amžiaus ar apšvietimo sąlygų, modelis gali nepavykti subtiliais būdais. Sekimas gali nutrūkti, kai žuvys susiduria arba kai atspindžiai suklaidina vaizdo įrašymo įrenginį. Elgesio klasifikavimo schemos nėra universalias. Kategorija, pvz., „agresyvumas“, gali atrodyti skirtingai skirtingose aplinkybėse. Be to, joks algoritmas negali nustatyti, ar žuvis serga, sužeista ar tiesiog reaguoja į temperatūros pokytį. Veiksmingiausiuose darbo procesuose DI analizė derinama su reguliaria žmogaus stebėjimu. Algoritmas atlieka pakartotinį kiekybinį vertinimą, o žmogus – aiškinimą ir gyvūnų gerovės tikrinimą.
Kodėl įrangos stabilumas yra taip pat svarbus kaip ir modelis
AI valdoma elgsenos analizė yra tokia pat tikslia, kokia yra vaizdo medžiaga, kurią ji gauna. Modelis, išmokytas aiškios, gerai apšviestos vaizdo įrašų, kovos su neaiškiais, netolygiai apšviestais kadrais. Todėl kamerų pasirinkimas, apšvietimo projektavimas ir baseino geometrija turi būti eksperimento sąrankos dalis, o ne po mintys. Siurblių sukelti virpesiai, lęšiuose susidarančios kondensacinės lašeliai ir nestabilūs kadro dažniai visi pablogina stebėjimą. Ilgalaikiuose tyrimuose dirbantiems mokslo laboratorijoms vaizdo įranga dažnai nusprendžia, ar po mėnesių rinktos duomenų bazės bus naudojamos. Hunter Lab veikia šio įrangos ekosistemos gamybos srityje. Įmonė dėmesį skiria nuolatiniam gamybos procesui, medžiagų parinkimui ir tiekimo grandinės patikimumui laboratorinio masto vandens sistemoms. Ši gamybos disciplina yra svarbi, kai neuro mokslų projektas priklauso nuo stabilios vaizdo įrašų kokybės savaitėmis.