人工智能在斯坦福脑损伤研究中提供范式转变
从橄榄球场到战场，近年来对创伤性脑损伤的研究呈爆炸式增长。理解脑损伤的关键是能够模拟压缩、拉伸和扭曲脑组织并造成从短暂到致命的损伤的机械力。
斯坦福大学的研究人员现在表示，他们已经利用人工智能生成了一个更准确的模型，说明变形如何转化为大脑中的压力，并相信他们的方法可以更明确地了解脑震荡有时会导致持久性脑损伤的时间和原因，而其他时候则不然。
“迄今为止大脑建模的问题是大脑不是同质组织——大脑的每个部分都不一样。然而，创伤往往无处不在，” 机械工程教授、 生命物质实验室主任、 发表在Acta Biomaterialia 杂志上的 一项新研究的资深作者Ellen Kuhl说。“大脑也是超柔软的，很像果冻，这使得对大脑的物理影响的测试和建模都非常具有挑战性。”
去图书馆
想要研究脑外伤的研究人员被迫从包含数十种材料模型的库中进行选择，其中一些模型可以追溯到近一个世纪以前，以帮助计算大脑的压力。
几十年来，科学家们为软材料开发了这些模型，这些模型的名称令人费解，例如“塑料和橡胶的新胡克模型”、“软组织的 Demiray 模型”和“类橡胶固体的 Ogden 模型”。但是适用于某种类型的应力(拉伸、压缩或剪切)的模型可能不适用于另一种。或者，一种模型可能适用于大脑的一个区域，但可能不适用于另一个区域。
新方法采用模型对模型的策略，使用人工智能从 4,000 多种可能性中发现哪个模型最能解释大脑的行为。过去，选择最佳模型是一个随意的过程，很大程度上取决于用户体验和个人喜好。
“我们通过允许机器学习检查数据并决定哪种模型最有效，从而将用户选择排除在外，” Kuhl 实验室的博士学者和该论文的合著者Sarah St. Pierre补充道。“自动化这个过程降低了大脑建模的障碍。现在，每个斯坦福学生都能做到!” 一旦机器学习发现了最佳模型，就很容易将其与几代研究人员提出的模型联系起来。
变革性见解
这种被称为本构人工神经网络的方法是由 Kevin Linka 在作为博士后加入 Living Matter Lab 以将他的方法应用于大脑之前开发的。
“我们为网络提供了上个世纪开发的所有现有本构模型。人工智能会进行混合搭配以找到最佳选择。这是不可能用手做的，”林卡说。“现在，我们有效地发现了一种新模型，使我们更有信心研究大脑中的机械应力。”
与传统的现成神经网络不同，本构人工神经网络提供了对大脑物理学的新颖见解。仅举一个例子，该团队指出他们已经确定了具有物理意义的参数，例如大脑四个不同区域(皮质、基底神经节、辐射冠和胼胝体)的不同剪切刚度，精确到 1.82、0.88、0.94、每个 0.54 千帕。
剪切模量将撞击头部的力与由此产生的脑组织变形联系起来。通过这些措施，大脑皮层(大脑的灰色外层)的硬度是胼胝体的三倍多，胼胝体是连接大脑两个半球的神经网络。
有了这些改进的知识，脑外伤研究人员可以更准确地模拟和了解脑外伤的起源位置。这可能会激发新的保护设备或促进愈合的治疗方法的设计。为了将这些知识转化为工程实践，Kuhl 的团队与模拟软件公司 Dassault Systemès Simulia 合作，将自动模型发现直接集成到他们的分析工作流程中。
Kuhl 说：“这项研究真正最令人兴奋的是，本构人工神经网络可以引发软组织建模的范式转变，从用户定义的模型选择到自动模型发现。这可能永远改变我们模拟材料和结构的方式。”
版权声明：本文由用户上传，如有侵权请联系删除！