Un nouvel algorithme d’apprentissage automatique basé sur les processeurs graphiques (GPU), développé par des chercheurs de l’Indian Institute of Science (IISc), peut aider les scientifiques à mieux comprendre et prédire la connectivité entre les différentes régions du cerveau.
L’algorithme, appelé ReAl-LiFE (Regularized, Accelerated, Linear Fascicle Evaluation), peut analyser rapidement les énormes quantités de données générées par les scans d’imagerie par résonance magnétique de diffusion (IRMd) du cerveau humain.
En utilisant ReAL-LiFE, l’équipe a pu évaluer les données d’IRMd plus de 150 fois plus rapidement que les algorithmes de pointe existants, selon un communiqué de presse de l’IISc publié lundi.
“Des tâches qui prenaient auparavant des heures ou des jours peuvent être accomplies en quelques secondes ou minutes”, a déclaré Devarajan Sridharan, professeur associé au Centre for Neuroscience (CNS), IISc, et auteur correspondant de l’étude publiée dans la revue
.
Des millions de neurones se déclenchent dans le cerveau chaque seconde, générant des impulsions électriques qui se déplacent à travers les réseaux neuronaux d’un point à l’autre du cerveau grâce à des câbles de connexion ou “axones”. Ces connexions sont essentielles pour les calculs effectués par le cerveau.
“La compréhension de la connectivité du cerveau est essentielle pour découvrir les relations entre le cerveau et le comportement à l’échelle”, a déclaré Varsha Sreenivasan, doctorant au CNS et premier auteur de l’étude. Cependant, les approches conventionnelles pour étudier la connectivité cérébrale utilisent généralement des modèles animaux et sont invasives. Les scans d’IRMd, en revanche, offrent une méthode non invasive pour étudier la connectivité cérébrale chez l’homme.
Les câbles (axones) qui relient les différentes zones du cerveau constituent ses autoroutes de l’information. Comme les faisceaux d’axones ont la forme de tubes, les molécules d’eau s’y déplacent, sur toute leur longueur, de manière dirigée. L’IRMd permet aux scientifiques de suivre ce mouvement, afin de créer une carte complète du réseau de fibres dans le cerveau, appelée connectome.
Malheureusement, il n’est pas simple de localiser ces connectomes. Les données obtenues à partir des scans ne fournissent que le flux net de molécules d’eau en chaque point du cerveau, note le communiqué.
“Imaginez que les molécules d’eau sont des voitures. L’information obtenue est la direction et la vitesse des véhicules à chaque point de l’espace et du temps, sans aucune information sur les routes. Notre tâche est similaire à celle qui consiste à déduire les réseaux routiers en observant ces modèles de trafic”, explique Sridharan.
Pour identifier ces réseaux avec précision, les algorithmes classiques font correspondre étroitement le signal d’IRMd prédit à partir du connectome inféré avec le signal d’IRMd observé.
Les scientifiques avaient précédemment développé un algorithme appelé LiFE (Linear Fascicle Evaluation) pour effectuer cette optimisation, mais l’un de ses défis était qu’il fonctionnait sur des unités centrales de traitement (CPU) traditionnelles, ce qui rendait le calcul long.
Dans la nouvelle étude, l’équipe de Sridharan a modifié son algorithme pour réduire l’effort de calcul de plusieurs façons, notamment en supprimant les connexions redondantes, améliorant ainsi les performances de LiFE de manière significative.
Pour accélérer encore l’algorithme, l’équipe l’a également modifié pour qu’il fonctionne sur des puces électroniques spécialisées – du type de celles que l’on trouve dans les ordinateurs de jeu haut de gamme – appelées unités de traitement graphique (GPU), ce qui a permis d’analyser les données à des vitesses 100 à 150 fois supérieures à celles des approches précédentes.
Cet algorithme amélioré, ReAl-LiFE, a également été capable de prédire le comportement d’un sujet humain ou la façon dont il accomplirait une tâche spécifique.
En d’autres termes, en utilisant les forces de connexion estimées par l’algorithme pour chaque individu, l’équipe a pu expliquer les variations des résultats des tests comportementaux et cognitifs dans un groupe de 200 participants.
Une telle analyse peut également avoir des applications médicales. “Le traitement des données à grande échelle devient de plus en plus nécessaire pour les applications neuroscientifiques de type big data, notamment pour comprendre le fonctionnement sain et la pathologie du cerveau”, explique Sreenivasan.
Par exemple, en utilisant les connectomes obtenus, l’équipe espère pouvoir identifier les premiers signes de vieillissement ou de détérioration des fonctions cérébrales avant qu’ils ne se manifestent sur le plan comportemental chez les patients atteints de la maladie d’Alzheimer.
“Dans une autre étude, nous avons constaté qu’une version précédente de ReAL-LiFE pouvait faire mieux que d’autres algorithmes concurrents pour distinguer les patients atteints de la maladie d’Alzheimer des témoins sains”, explique Sridharan.
Il ajoute que leur implémentation sur GPU est très générale et peut être utilisée pour résoudre des problèmes d’optimisation dans de nombreux autres domaines.
