機器學習新突破：Google 研究人員利用 AI 自動重構大腦神經元

近日，Google 與馬克斯‧普朗克神經生物學研究所合作，在《Nature Methods》發表了一篇重磅論文，使用迴圈神經網路演算法自動重構神經元連接組，不僅可對連接組做高解析度的可視化成像，且準確度提高一個量級，為連接組學的研究帶來新突破。

在神經系統繪製神經網路架構──是稱為「連接組學」（connectomics）的研究領域──無疑屬於計算密集型。

人類大腦約有 860 億個透過 100 萬億個突觸連接的神經元，成像一個立方公厘大的大腦組織，就可生成超過 1,000TB 的資料（10 億張照片）。

據《連接組：造就獨一無二的你》（Connectome: How the Brain’s Wiring Makes Us Who We Are，暫譯）這本書介紹，連接組學是透過分析神經元之間的連線和組織方式，分析大腦執行機制的終極目的學科。連接主義認為大腦的工作機制就在神經元的連接。如果兩個神經元之間有一個突觸交會點，那麼這兩個神經元就是「有連接」。透過突觸，一個神經元可把資訊傳遞給另一個神經元。

▲ 神經元結構。

AI 助力神經元連接組可視化成像，準確度提高一個量級

為了看到連接組，科學家經歷了各種探索。比較常用的是幫大腦組織染色，然後用電子顯微鏡觀察大腦切片，以此獲得神經元連接的大量局部具體資訊，再聚在一起構成大腦整個神經網路資訊，但具體作業要克服許多困難，耗費大量人力物力。第二種是透過 MRI（核磁共振）觀測活體大腦，但解析度較低，只有公厘級。

如果我們能將大腦突觸連接的資訊和連接組資訊進行高解析度的可視化成像，那麼一個人大腦是否受損就能一目了然，針對性治療一些高難度的腦部疾病都將成為可能。

7 月 16 日，發表於《Nature Methods》雜誌的《利用泛洪網路對神經元進行高精度自動重構》（High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks）論文，Google 和馬克斯‧普朗克神經生物學研究所（Max Planck Institute of Neurobiology）的科學家展示一種迴圈神經網路演算法（常用於手寫和語音辨識的機器學習演算法），是專為連接組學分析量身定做。

Google 研究人員並不是第一個將機器學習應用於連接組學的人。今年 3 月，英特爾與麻省理工學院的電腦科學和人工智慧實驗室合作，開發「下一代」大腦影像處理系統。但 Google 聲稱，他們的模型比英特爾等企業發表的深度學習技術，準確性提高了一個量級。