Истраживање у вези са невронауком зебра рибе увек је зависало од понашања. Локомоција ларви, друштвена интеракција одраслих, реакције на уплашу и промене у навици пливања изазване лековима све су прозор у функцију мозга. Проблем је у томе што људско посматрање не може да се прошири. Један експеримент може генерисати сатима видео снимка десетина риба. Ручно оцењивање је споро, субјективно и рањиво за умору. Два обучена посматрача који гледају исти клип могу се не сложити о томе када битак почиње или како класификовати окрет. Ови неслагања постају бука у подацима, а бука је скупа када је основни ефекат мали.
Шта су системи за анализу понашања који управљају вештачком интелигенцијом заправо мерели
Система за анализу понашања на основу вештачке интелигенције не рачуна само покрете. Изграђује нумеричку репрезентацију понашања из сировог видео или тракања података. Процес обично почиње са проценом позиције, где модел идентификује кључне тачке као што су глава, реп и центроид сваке рибе. Одавде се извучују карактеристике: брзина, убрзање, угао окретања, удаљеност између риба, трајање замрзавања и честоћа удара. Неки системи иду даље и класификују понашање у дискретне категорије, као што су приступ, избегавање или агресија. Излаз је временска низ која се може упоредити са неуронским снимањима, употребом дроге или генетском манипулацијом. У том је поређењу истинска моћ.
Како милисекундна резолуција мења експериментални дизајн
Традиционално оцењивање може да решава понашање до најближе секунде, ако је тако. АИ системи могу да прате брзину кадрова, често од 30 до 100 кадрова у секунди. У тој резолуцији откривају се догађаји који су раније били невидљиви. Одговор на изненађење који траје 50 милисекунди, кратка пауза пре окретања или суптилна промена фреквенције удара репа све постају мерељиви. Експериментални пројекти који су некада захтевали хиљаде риба да би открили мали ефекат понекад се могу покренути са мање животиња, јер је понашање богатије и мање бучно. То није само техничко побољшање. То мења питања која се могу постављати. На пример, истраживачи који проучавају моделе епилепсије сада могу да квантификују прилике прилике напада у ларви зебра рибе са прецизношћу која није била могућа пре десет година. Таква прецизност претвара понашање у квантитативни фенотип, а не само описни.
| Особност | Ручно посматрање | АИ-дириван аналзами понашања |
|---|---|---|
| Временска резолуција | Обично 1 секунда или грубије | Брзина кадра, често од 30 до 100 Хц |
| Косзистенција | Варијеше у зависности од посматрача и умора | Фиксирани модел, исти излаз сваки пут |
| Димензионалност карактеристика | Неколико категорија које су ручно оценене | Десетине континуираних и дискретних карактеристика |
| Скалабилност | Линеарни са људским сатима | Скоро константна након подешавања |
| Осетљивост на нејасне ефекте | Ограничена | Више, због смањења буке |
Случај објекта у коме је алгоритам видео оно што је око пропустило
Невронаучна лабораторија тестирала је једињење за које се очекивало да ће смањити анксиозно понашање код одрасле зебра рибе. Ручни резултати су показали тренд, али није био статистички значајан. Тим је прошао исте видео снимке кроз систем за анализу понашања под контролом вештачке интелигенције. Система није само потврдила тренд. Открило се да су третиране рибе провеле више времена у центру резервоара, али само током првих пет минута након промене светлости. Ручно оцењивање је износило просечне резултате током целе сесије, чиме је исбрисан ефекат. AI систем је обезбедио временски решен изглед који је указивао на одређени прозор акције. То откриће довело је до следећег експеримента са строжим временским оквиром и јаснијим резултатом. Алгоритам није заменио научника. То им је пружило боље питање.
Интеграција и репродуцибилност података: од видео до статистике
Једна од тишијих предности поведенске анализе коју води АИ је репродуктивност. Када се модел обучи и валидира, он производи исти излаз за исти улаз. Та конзистентност олакшава упоређивање резултата кроз експерименте, лабораторије, па чак и године. Многи системи сада извозе податке у стандардним форматима који се директно повезују са статистичким софтвером или невроним траговима података. Неке платформе подржавају обраду засновану на облаку, што омогућава више лабораторија да анализирају податке са истом верзијом модела. Ово је значајна промена. У прошлости су поведенски подаци често били заробљени у лабораторијским табелама са прилагођеним правилима за борење. Сада се може делити, поново анализирати и метаанализирати.
Ограничења која спречавају вештачку интелигенцију да замени неурологе
Замамљиво је третирати аналитику понашања коју управља вештачка интелигенција као црну кутију која све решава. Не чини. Перформансе модела у великој мери зависе од квалитета података о обуци. Ако се у сету за обуку не укључују напор, старост или услови осветљења новог експеримента, модел може да не успе на нејасан начин. Слеђење може пропасти када се рибе преклапају или када одразје збуњују камеру. Схеме класификације понашања нису универзалне. Категорија као што је "агресија" може изгледати другачије у различитим контекстима. И ниједан алгоритам не може рећи да ли је риба болесна, повређена или једноставно реагује на промене температуре. Најефикаснији радни токови спајају анализу вештачке интелигенције са редовним људским посматрањем. Алгоритам се бави поновљеним квантификацијом. Човек се бави тумачењем и проверема социјалног осигурања.
Зашто је стабилност хардвера важна колико и модел
АИ-диригована повештајна анализа је само добра као видео који је добио. Модел који је обучен на оштрим, добро осветљеним снимцима ће се борити са неравномерним осветљеним кадрима. То чини избор камере, дизајн осветљења и геометрију резервоара делом експерименталне поставке, а не последујућим размишљањима. Вибрације из пумпа, кондензација на сочивима и неускладни брзини кадра све то смањује праћење. За лабораторије које спроводе дугорочне студије, поузданост хардвера за снимање често одређује да ли се скуп података може користити након неколико месеци прикупљања. Хант Лаб ради на производњи овог екосистема опреме. Компанија се фокусира на доследну производњу, избор материјала и поузданост ланца снабдевања за водене системе у лабораторијском нивоу. Та производња дисциплина је важна када је пројекат за невронауке зависи од стабилног видео недељама.