การวิจัยประสาทวิทยาของปลาเซเบอร์ฟิชมักพึ่งพาการสังเกตพฤติกรรมเสมอมา ไม่ว่าจะเป็นการเคลื่อนไหวของตัวอ่อน การมีปฏิสัมพันธ์ทางสังคมของปลาโตเต็มวัย ปฏิกิริยาตกใจ หรือการเปลี่ยนแปลงรูปแบบการว่ายน้ำที่เกิดจากยา ล้วนเป็นหน้าต่างที่เผยให้เห็นการทำงานของสมอง ปัญหาคือการสังเกตด้วยสายตาของมนุษย์ไม่สามารถขยายผลได้ การทดลองหนึ่งครั้งอาจสร้างวิดีโอความยาวหลายชั่วโมงจากปลาหลายสิบตัว การประเมินผลด้วยมือใช้เวลานาน มีอคติ และเสี่ยงต่อความเหนื่อยล้า ผู้สังเกตสองคนที่ผ่านการฝึกมาแล้ว อาจเห็นต่างกันแม้ขณะดูคลิปเดียวกัน เช่น ไม่เห็นพ้องกันว่าการเคลื่อนไหวแต่ละครั้งเริ่มเมื่อใด หรือควรจัดประเภทการเลี้ยวอย่างไร ความไม่ลงรอยกันเหล่านี้กลายเป็นสัญญาณรบกวนในข้อมูล และสัญญาณรบกวนนั้นมีราคาแพงมากเมื่อผลที่แท้จริงมีขนาดเล็ก
ระบบการวิเคราะห์พฤติกรรมที่ขับเคลื่อนด้วยปัญญาประดิษฐ์วัดอะไรกันแน่
ระบบการวิเคราะห์พฤติกรรมที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ไม่ได้เพียงแค่นับจำนวนการเคลื่อนไหวเท่านั้น แต่ยังสร้างแบบจำลองเชิงตัวเลขของพฤติกรรมจากข้อมูลวิดีโอดิบหรือข้อมูลการติดตามโดยตรง อันดับแรก กระบวนการมักเริ่มต้นด้วยการประมาณตำแหน่งของร่างกาย (pose estimation) โดยใช้โมเดลระบุจุดสำคัญต่าง ๆ เช่น ศีรษะ หาง และจุดศูนย์กลางมวลของปลาแต่ละตัว จากนั้นจึงสกัดคุณลักษณะต่าง ๆ ออกมา เช่น ความเร็ว ความเร่ง มุมการเลี้ยว ระยะห่างระหว่างปลาแต่ละตัว ระยะเวลาที่หยุดนิ่ง (freezing duration) และความถี่ของการเคลื่อนไหวแบบกระชาก (bout frequency) บางระบบที่ซับซ้อนยิ่งขึ้นยังสามารถจัดหมวดหมู่พฤติกรรมออกเป็นกลุ่มที่แยกจากกันได้ เช่น พฤติกรรมเข้าหา พฤติกรรมหลีกเลี่ยง หรือพฤติกรรมก้าวร้าว ผลลัพธ์สุดท้ายคือชุดข้อมูลตามลำดับเวลา (time series) ซึ่งสามารถจับคู่ให้สอดคล้องกับข้อมูลการบันทึกกิจกรรมของเซลล์ประสาท การให้ยา หรือการปรับเปลี่ยนทางพันธุกรรม ความสามารถในการจับคู่ข้อมูลเหล่านี้อย่างแม่นยำนี่แหละคือจุดแข็งที่แท้จริงของระบบนี้
การเปลี่ยนแปลงต่อการออกแบบการทดลองเมื่อใช้ความละเอียดระดับมิลลิวินาที
การให้คะแนนแบบดั้งเดิมอาจระบุพฤติกรรมได้แม่นยำเพียงระดับวินาทีที่ใกล้เคียงที่สุด หรือแม้แต่หยาบกว่านั้น ระบบปัญญาประดิษฐ์สามารถติดตามพฤติกรรมได้ที่อัตราเฟรม ซึ่งโดยทั่วไปอยู่ระหว่าง 30 ถึง 100 เฟรมต่อวินาที ความละเอียดระดับนี้ทำให้เห็นเหตุการณ์ที่เคยมองไม่เห็นมาก่อน เช่น ปฏิกิริยาตกใจที่กินเวลาเพียง 50 มิลลิวินาที ช่วงหยุดนิ่งสั้นๆ ก่อนเปลี่ยนทิศทาง หรือการเปลี่ยนแปลงเล็กน้อยของความถี่การกระดิกหาง ล้วนสามารถวัดค่าได้อย่างแม่นยำ การออกแบบการทดลองที่เมื่อก่อนจำเป็นต้องใช้ปลาจำนวนมากถึงหลายพันตัวเพื่อตรวจจับผลที่เล็กน้อย ตอนนี้บางครั้งสามารถดำเนินการได้ด้วยจำนวนสัตว์ทดลองที่ลดลง เพราะข้อมูลพฤติกรรมที่ได้มีความอุดมสมบูรณ์และมีสัญญาณรบกวนน้อยลง นี่ไม่ใช่เพียงการปรับปรุงเชิงเทคนิคเท่านั้น แต่ยังเปลี่ยนแปลงคำถามวิจัยที่สามารถตั้งขึ้นได้อีกด้วย ตัวอย่างเช่น นักวิจัยที่ศึกษาแบบจำลองโรคลมชักสามารถวัดความถี่ของคลื่นชักในตัวอ่อนปลาเซบราฟิชได้อย่างแม่นยำยิ่งกว่าที่เคยเป็นไปได้เมื่อสิบปีก่อน ความแม่นยำระดับนี้ทำให้พฤติกรรมกลายเป็นลักษณะทางกายภาพเชิงปริมาณ (quantitative phenotype) แทนที่จะเป็นเพียงลักษณะเชิงบรรยาย (descriptive phenotype)
| คุณลักษณะ | การสังเกตด้วยมือ | การวิเคราะห์พฤติกรรมที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ |
|---|---|---|
| ความละเอียดตามเวลา | โดยทั่วไป 1 วินาที หรือหยาบกว่านั้น | อัตราเฟรม โดยทั่วไป 30 ถึง 100 เฮิร์ตซ์ |
| ความสม่ําเสมอ | ขึ้นอยู่กับผู้สังเกตและการเหนื่อยล้า | รูปแบบคงที่ ให้ผลลัพธ์เหมือนกันทุกครั้งที่รัน |
| มิติของคุณลักษณะ | หมวดหมู่จำนวนเล็กน้อยที่ให้คะแนนด้วยมือ | คุณลักษณะต่อเนื่องและไม่ต่อเนื่องหลายสิบตัว |
| ความสามารถในการปรับขนาด | เชิงเส้นตามจำนวนชั่วโมงที่มนุษย์ใช้ | เกือบคงที่หลังการตั้งค่าเสร็จสิ้น |
| ความไวต่อผลกระทบที่ละเอียดอ่อน | จำกัด | สูงกว่า เนื่องจากมีสัญญาณรบกวนลดลง |
กรณีศึกษาในสถาน facility ที่อัลกอริทึมมองเห็นสิ่งที่ตาของมนุษย์มองข้าม
ห้องปฏิบัติการประสาทวิทยาศาสตร์กำลังทดสอบสารประกอบชนิดหนึ่ง ซึ่งคาดว่าจะลดพฤติกรรมคล้ายความวิตกกังวลในปลาเซเบอร์ฟิชวัยผู้ใหญ่ ผลการประเมินด้วยมือแสดงแนวโน้มบางอย่าง แต่ไม่มีนัยสำคัญทางสถิติ ทีมงานจึงนำวิดีโอชุดเดียวกันมาวิเคราะห์ด้วยระบบวิเคราะห์พฤติกรรมที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ ระบบดังกล่าวไม่เพียงยืนยันแนวโน้มนั้นเท่านั้น แต่ยังพบว่าปลาที่ได้รับการรักษายังใช้เวลาอยู่บริเวณศูนย์กลางของตู้เลี้ยงนานขึ้น แต่เฉพาะในช่วงห้านาทีแรกหลังการเปลี่ยนแสงเท่านั้น การประเมินด้วยมือเฉลี่ยผลตลอดระยะเวลาการทดลองทั้งหมด ทำให้ผลดังกล่าวจางหายไป ขณะที่ระบบปัญญาประดิษฐ์ให้มุมมองเชิงเวลาที่ละเอียดยิ่งขึ้น และชี้ให้เห็นช่วงเวลาเฉพาะที่สารออกฤทธิ์อย่างชัดเจน ผลลัพธ์นี้นำไปสู่การทดลองต่อยอดที่กำหนดกรอบเวลาแคบลง และได้ผลลัพธ์ที่ชัดเจนยิ่งขึ้น อัลกอริทึมไม่ได้เข้ามาแทนที่นักวิทยาศาสตร์ แต่ช่วยให้พวกเขาตั้งคำถามที่ดีขึ้น
การผสานรวมข้อมูลและความสามารถในการทำซ้ำผลการทดลอง: จากวิดีโอสู่สถิติ
หนึ่งในข้อดีที่เงียบงันแต่สำคัญของระบบวิเคราะห์พฤติกรรมที่ขับเคลื่อนด้วย AI คือ ความสามารถในการทำซ้ำผลลัพธ์ได้อย่างแม่นยำ หลังจากที่แบบจำลองผ่านการฝึกและตรวจสอบแล้ว มันจะให้ผลลัพธ์เดียวกันเสมอเมื่อป้อนข้อมูลนำเข้าแบบเดียวกัน ความสม่ำเสมอนี้ช่วยให้เปรียบเทียบผลลัพธ์ระหว่างการทดลอง ระหว่างห้องปฏิบัติการ หรือแม้แต่ข้ามช่วงเวลาหลายปีได้ง่ายขึ้น ปัจจุบัน ระบบหลายระบบสามารถส่งออกข้อมูลในรูปแบบมาตรฐานที่เชื่อมต่อโดยตรงกับซอฟต์แวร์สถิติหรือสายการประมวลผลข้อมูลประสาท (neural data pipelines) บางแพลตฟอร์มรองรับการประมวลผลบนคลาวด์ ซึ่งช่วยให้ห้องปฏิบัติการหลายแห่งสามารถวิเคราะห์ข้อมูลด้วยเวอร์ชันแบบจำลองเดียวกันได้ สิ่งนี้ถือเป็นการเปลี่ยนแปลงครั้งใหญ่ เพราะในอดีต ข้อมูลพฤติกรรมมักถูกเก็บอยู่ในเวิร์กชีตเฉพาะห้องปฏิบัติการที่มีกฎการให้คะแนนแบบไม่เป็นทางการ ในขณะที่ปัจจุบัน ข้อมูลเหล่านั้นสามารถแบ่งปันกันได้ นำมาวิเคราะห์ใหม่ได้ และรวมวิเคราะห์ร่วมกัน (meta-analyze) ได้
ข้อจำกัดที่ทำให้ AI ยังไม่สามารถแทนที่นักประสาทวิทยาได้
การมองการวิเคราะห์พฤติกรรมที่ขับเคลื่อนด้วยปัญญาประดิษฐ์เป็นเหมือนกล่องดำที่สามารถแก้ปัญหาทุกอย่างได้นั้น อาจดูน่าดึงดูดใจ แต่ความจริงไม่ใช่เช่นนั้น ประสิทธิภาพของแบบจำลองขึ้นอยู่กับคุณภาพของข้อมูลที่ใช้ฝึกฝนเป็นหลัก หากชุดข้อมูลที่ใช้ฝึกไม่ครอบคลุมพันธุ์ อายุ หรือสภาวะแสงของทดลองใหม่ แบบจำลองอาจล้มเหลวในลักษณะที่ละเอียดอ่อน เช่น การติดตามตำแหน่งอาจผิดพลาดเมื่อปลากลุ่มซ้อนทับกัน หรือเมื่อการสะท้อนของแสงทำให้กล้องจับภาพผิด ระบบการจัดหมวดหมู่พฤติกรรมก็ไม่มีมาตรฐานสากล ตัวอย่างเช่น หมวดหมู่ "การก้าวร้าว" อาจแสดงออกต่างกันไปในบริบทที่ต่างกัน และไม่มีอัลกอริทึมใดสามารถระบุได้ว่าปลาตัวนั้นป่วย บาดเจ็บ หรือเพียงแค่ตอบสนองต่อการเปลี่ยนแปลงอุณหภูมิเท่านั้น กระบวนการทำงานที่มีประสิทธิภาพสูงสุดคือการผสานการวิเคราะห์ด้วยปัญญาประดิษฐ์เข้ากับการสังเกตการณ์โดยมนุษย์อย่างสม่ำเสมอ โดยอัลกอริทึมจะรับหน้าที่ในการวัดปริมาณซ้ำๆ ขณะที่มนุษย์จะรับหน้าที่ในการตีความผลลัพธ์และการตรวจสอบสวัสดิภาพ
เหตุใดเสถียรภาพของฮาร์ดแวร์จึงมีความสำคัญไม่แพ้แบบจำลอง
การวิเคราะห์พฤติกรรมที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ (AI) มีคุณภาพดีได้เท่ากับคุณภาพของภาพวิดีโอที่มันรับเข้ามาเท่านั้น แบบจำลองที่ฝึกด้วยภาพที่คมชัดและมีแสงเพียงพอจะทำงานได้ไม่ดีเมื่อต้องจัดการกับภาพที่พร่ามัวหรือมีความสว่างไม่สม่ำเสมอ สิ่งนี้ทำให้การเลือกกล้อง การออกแบบระบบแสง และรูปทรงเรขาคณิตของตู้ทดลองกลายเป็นส่วนหนึ่งของการตั้งค่าการทดลอง ไม่ใช่สิ่งที่พิจารณาภายหลัง แรงสั่นสะเทือนจากปั๊ม หยดน้ำควบแน่นบนเลนส์ และอัตราเฟรมที่ไม่สม่ำเสมอ ล้วนส่งผลเสียต่อความแม่นยำของการติดตามวัตถุ สำหรับห้องปฏิบัติการที่ดำเนินการศึกษาในระยะยาว ความน่าเชื่อถือของอุปกรณ์ถ่ายภาพมักเป็นตัวกำหนดว่าชุดข้อมูลที่เก็บรวบรวมมาเป็นเวลาหลายเดือนจะสามารถนำไปใช้งานได้จริงหรือไม่ Hunter Lab ดำเนินงานด้านการผลิตอุปกรณ์ในระบบนิเวศนี้ โดยบริษัทเน้นย้ำการผลิตที่สม่ำเสมอ การเลือกวัสดุอย่างรอบคอบ และความน่าเชื่อถือของห่วงโซ่อุปทานสำหรับระบบทดลองทางน้ำระดับห้องปฏิบัติการ วินัยในการผลิตเช่นนี้มีความสำคัญอย่างยิ่ง เมื่อโครงการด้านประสาทวิทยาศาสตร์ต้องอาศัยภาพวิดีโอที่มีเสถียรภาพต่อเนื่องเป็นเวลาหลายสัปดาห์