Dans un article récent publié dans la revue Capteursles chercheurs effectuent un examen de la portée sur la relation partagée entre l’intelligence artificielle (IA) et les neurosciences, en mettant l’accent sur leur convergence et leurs applications possibles.
Les chercheurs ont effectué des recherches approfondies dans la littérature existante pertinente à l’objectif de cette revue. En conséquence, l’ensemble de données final comprenait 185 publications, dont 173 provenaient de bases de données scientifiques, et les 12 autres étaient des références d’hyperliens de Google.
Étude: Convergence de l’intelligence artificielle et des neurosciences vers le diagnostic des troubles neurologiques – Un examen de la portée. Crédit d’image : Maxim Gaigul / Shutterstock.com
Sommaire
Arrière-plan
Les principes des neurosciences ont élevé le domaine de l’IA et vice versa. Par exemple, les neurosciences ont aidé les chercheurs à valider les modèles existants basés sur l’IA. De même, les réseaux de neurones biologiques ont permis de développer des architectures de réseaux de neurones profonds avec plusieurs applications, telles que le traitement de texte et la reconnaissance vocale.
Les systèmes basés sur l’IA ont aidé les neuroscientifiques à tester leurs hypothèses et à analyser les données de neuroimagerie, qui, à leur tour, aident à la prédiction et au diagnostic précoces des troubles psychiatriques. De plus, ces systèmes d’IA établissent une interface avec le cerveau, extraient des signaux neurologiques et génèrent des commandes qui aident des dispositifs, tels que des bras robotiques, à déplacer des parties humaines paralysées.
Les informaticiens se sont inspirés de l’apprentissage par renforcement (RL) dans des modèles humains et animaux pour développer des algorithmes pour les systèmes artificiels, ce qui atténue le besoin d’instructions explicites lors de l’apprentissage de stratégies complexes. RL a été intégré avec succès dans diverses applications de chirurgie et de jeu basées sur des robots.
Dans l’ensemble, en raison de la capacité de l’IA à analyser des données complexes et à extraire des modèles cachés, cette technologie semble être le choix idéal pour l’analyse des données en neurosciences.
Les neurosciences ont inspiré la conception des systèmes d’IA
Semblables aux neurones du cerveau humain, les réseaux de neurones artificiels (RNA) ont plusieurs unités interconnectées qui fonctionnent en parallèle. De même, le concept d’apprentissage hebbien et de structure cérébrale a aidé Frank Rosenblatt à concevoir un RNA simple appelé perceptron dans les années 1950.
Les scientifiques ont ensuite modifié les réseaux de perceptrons pour former des perceptrons multicouches (MLP). Dans MLP, la sortie d’une couche est transmise à la couche suivante via la couche cachée jusqu’à ce que la dernière couche produise les résultats attendus.
La fonction de mémoire de travail du cerveau humain a inspiré les scientifiques à concevoir un réseau neuronal récurrent (RNN). L’architecture RNN a permis l’utilisation de la sortie passée comme entrée pour prédire la sortie suivante. Notamment, un type de RNN connu sous le nom de réseau de mémoire longue à court terme (LSTM) peut gérer les dépendances à long terme, telles que celles qui existent dans le résumé de texte.
Les scientifiques ont trouvé l’inspiration pour les réseaux de neurones convolutionnels (CNN) à partir de l’architecture du flux visuel ventral du cerveau. Dans RL, un agent intelligent comme un ordinateur comprend l’état de l’environnement pour dicter l’action. De plus, l’ordinateur apprend à répéter certaines tâches en fonction des récompenses et à en éviter d’autres en fonction des pénalités.
Dans Deep RL, un réseau de neurones fournit une cartographie non linéaire basée sur la descente de gradient entre les états actuels de l’environnement et toutes les actions réalisables. Bien que le deep RL ait permis la reconnaissance automatique des sons, du texte et des images, cette technologie consomme d’immenses ressources informatiques.
Comme alternative, des réseaux de neurones à pointes (SNN) sont en cours de développement, car ils fonctionnent comme des neurones biologiques et sont plus économes en énergie. Les SNN transmettent des informations sous la forme d’un signal électrique à un autre neurone artificiel lorsque son potentiel de membrane atteint un seuil particulier.
Comment l’IA est-elle utilisée pour étudier les neurosciences ?
Plusieurs applications d’interface cerveau-ordinateur/machine (BCI) assistées par l’IA ont été développées pour aider les personnes atteintes de troubles neuromusculaires, tels que la paralysie cérébrale ou les lésions de la moelle épinière. De plus, l’IA a été largement utilisée pour contrôler les prothèses, comme le démontre BrainGate, qui est un implant qui permet aux utilisateurs de contrôler les mouvements des membres.
La détection d’infections neurologiques comme la méningite est fastidieuse en raison de leur large éventail de symptômes. Cependant, les approches basées sur l’IA utilisant diverses variables prédictives telles que les neutrophiles du liquide céphalo-rachidien (LCR), les lymphocytes et le rapport neutrophiles sur lymphocytes (NLR) pourraient prédire le type de méningite avec une grande précision. L’IA est également associée à plusieurs avantages lorsqu’elle est appliquée à la neuro-oncologie, car elle peut potentiellement fournir des diagnostics initiaux précis et des options thérapeutiques.
conclusion
L’étude actuelle a mis en évidence la puissance des modèles d’IA en neurosciences, malgré la taille, la portée et l’architecture exceptionnelles des données cérébrales.
Les chercheurs discutent également des défis existants et soulignent la nécessité d’une approche multidisciplinaire utilisant l’IA, les neurosciences et la biologie des systèmes pour créer des ensembles de données interconnectés. Une telle approche pourrait fournir une compréhension approfondie des structures et des fonctions cognitives, augmentant ainsi l’efficacité des modèles d’IA au niveau de l’évaluation clinique.
Il est important de noter qu’il reste un besoin urgent de nouvelles normes dans les réglementations existantes pour évaluer la sécurité des systèmes d’IA.
