Ricerche

Al Laboratory of Integrative Neuroimaging Technology della University of California LosAngeles (UCLA), i ricercatori utilizzano le scansioni con risonanza magnetica funzionale per osservare i cambiamenti dei segnali nel cervello che si verificano durante l'attività mentale.

Impiegano poi metodi di apprendimento automatico computerizzato (ML) per studiare questi modelli e identificare lo stato cognitivo - o, talvolta, il processo del pensiero - di soggetti umani. La tecnica è denominata "brain reading" ("lettura del cervello") o "brain decoding" ("decodifica del cervello").

In un nuovo studio, i ricercatori dell'UCLA descrivono alcuni progressi cruciali in questo campo, con l'utilizzo di fMRI e di metodi di apprendimento automatico, per eseguire "brain reading" sui fumatori che sperimentano desiderio di nicotina.

Un metodo di apprendimento automatico innovativo, simile al sistema di inserimento testi intuitivo per cellulari e quello dei motori di ricerca Internet, anticipa i cambiamenti neurocognitivi. (Credit: © ktsdesign / Fotolia)

La ricerca, presentata la scorsa settimana al simposio Machine Learning and Interpretation in Neuroimaging del convegno Neuronal Information Processing Systems in Spagna, è stata finanziata dal National Institute on Drug Abuse, che è interessato ad utilizzare questi metodi per aiutare le persone a controllare il desiderio di droga. In questo studio su dipendenza e desiderio, il gruppo ha classificato dati tratti da fumatori di sigarette che sono stati acquisiti mentre guardavano dei video che avevano lo scopo di indurre il desiderio di nicotina.

L'obiettivo era quello di capire nel dettaglio quali regioni del cervello e quali reti neurali sono responsabili per resistere alla dipendenza da nicotina in particolare, e ai desideri in generale, ha detto il dottor Ariana Anderson, ricercatore postdottorato nel laboratorio Integrative Neuroimaging Technology e autore principale dello studio. "Siamo interessati a esplorare le relazioni tra struttura e funzione del cervello umano, in particolare quelle relative alla alta cognizione, tipo la formazione di immmagini mentali", ha detto la Anderson. "Il laboratorio è impegnato nella esplorazione attiva dei moderni approcci di analisi dei dati, come l'apprendimento computerizzato, con particolare attenzione ai metodi che rivelano l'organizzazione neurale a livello di sistemi".

Per lo studio, i fumatori hanno guardato a volte dei video intesi a indurre il desiderio, a volte hanno guardato video "neutri" e qualche volta non hanno guardato alcunchè. Essi sono stati istruiti a tentare di combattere il desiderio di nicotina, quando sorgeva. Sono stati poi analizzati i dati provenienti dalle scansioni fMRI dei partecipanti allo studio. I metodi tradizionali di apprendimento automatico sono stati aumentati dai processi di Markov, che usano la storia passata per prevedere gli stati futuri. Misurando le reti cerebrali attive nel tempo durante le scansioni, gli algoritmi di machine learning risultanti sono stati in grado di anticipare i cambiamenti nella struttura neurocognitiva sottostante dei soggetti, prevedendo con un alto grado di precisione (90 per cento per alcuni dei modelli testati) che cosa stavano guardando e, per quanto riguardava il desiderio, come stavano reagendo a ciò che vedevano.

"Abbiamo rilevato se le persone stavano guardando e resistendo al desiderio, indulgendo su di esso, o guardando video che non erano legate al fumo o al desiderio", ha detto la Anderson, che ha completato il suo dottorato di ricerca in statistica all'UCLA. "Essenzialmente, stavamo prevedendo e individuando che tipo di video le persone stavano guardando e se stavano resistendo alle loro voglie". In sostanza, l'algoritmo è stato in grado di completare o "prevedere" gli stati mentali dei soggetti e i processi di pensiero più o meno allo stesso modo in cui i motori di ricerca su Internet o i programmi di scrittura degli sms su telefoni cellulari anticipano e completano una frase o richiesta prima che l'utente abbia finito la digitazione. E questo metodo di apprendimento automatico basato sui processi di Markov ha dimostrato un grande miglioramento nella precisione rispetto agli approcci tradizionali, hanno detto i ricercatori.

I metodi di apprendimento automatico, in generale, creano uno "strato di decisione": essenzialmente un confine che separa le diverse classi che si devono distinguere. Per esempio, i valori su un lato del confine potrebbero indicare che il soggetto crede a varie dichiarazioni del test e, dall'altro, che un soggetto non crede a queste affermazioni. I ricercatori hanno scoperto di poter rilevare queste differenze credo-non credo con elevata precisione, creando in realtà una macchina della verità. La novità descritta nel nuovo studio è il mezzo per rendere questi confini interpretabili dai neuroscienziati, piuttosto che un confine spesso oscuro creato da metodi più tradizionali, come ML di supporto ai vettori.

"Nel nostro studio, questi confini sono progettati in modo da riflettere l'attività contribuita da una varietà di sotto-sistemi del cervello o da reti le cui funzioni sono identificabili (per esempio, una rete visiva, una rete di regolazione emotiva o una rete di monitoraggio dei conflitti", ha detto il co-autore Mark S. Cohen, professore di scienze neurologiche, psichiatriche e comportamentali al Center for Cognitive Neuroscience Staglin dell'UCLA e un ricercatore del California NanoSystems Institute dell'UCLA. "Proiettando il nostro problema di isolamento delle reti specifiche associate al desiderio nel dominio della neurologia, la tecnica non si limita a classificare gli stati del cervello; di fatto ci aiuta a comprendere meglio il modo in cui il cervello resiste al desiderio", ha aggiunto Cohen, che dirige anche Neuroengineering Training Program dell'UCLA.

Sorprendentemente, ponendo il problema in termini neurologici, il processo di decodifica diventa significativamente più affidabile e preciso, hanno detto i ricercatori. Questo è particolarmente significativo, hanno detto, perché è raro utilizzare i risultati e gli stati precedenti al fine di informare gli algoritmi dell'apprendimento automatico, ed è particolarmente impegnativo nel cervello, perché c'è molto di sconosciuto su come funziona il cervello.

L'apprendimento automatico in genere comporta due fasi: una "fase di formazione" in cui il computer valuta una serie di risultati noti - per esempio, un gruppo di prove in cui un soggetto indicato credeva o meno - e una seconda fase, di "previsione", in cui il computer crea un confine sulla base di quella conoscenza.

Nella ricerca futura, dicono i neuroscienziati, useranno questi metodi di apprendimento automatico in un contesto di biofeedback, mostrando le letture del cervello dei soggetti in tempo reale per capire quando si verifica il desiderio e la sua intensità, nella speranza inseganre loro a controllare e reprimere quelle voglie. Ma poiché questo cambia chiaramente il processo e lo stato cognitivo per il soggetto, i ricercatori hanno detto che potrebbero aver a che fare con sfide particolari nel tentativo di decodificare un "bersaglio in movimento" e nel separare la fase di "formazione" da quella di "previsione".

Pubblicato in ScienceDaily il 21 dicembre 2011 - Traduzione di Franco Pellizzari.

Copyright: Tutti i diritti di eventuali testi o marchi, eventualmente citati nell'articolo, sono riservati ai rispettivi proprietari.

Liberatoria: Questo articolo non si propone come terapia o dieta; per qualsiasi modifica della propria cura o regime alimentare si consiglia di rivolgersi a un medico o dietologo. Il contenuto non dipende da, nè impegna l'Associazione Alzheimer Riese.
I siti terzi raggiungibili da eventuali links contenuti nell'articolo e/o dagli annunci pubblicitari proposti da Google sono completamente estranei all'Associazione, il loro accesso e uso è a discrezione dell'utente. Liberatoria completa qui.

Nota: L'articolo potrebbe riferire risultati di ricerche mediche, psicologiche, scientifiche o sportive che riflettono lo stato delle conoscenze raggiunte fino alla data della loro pubblicazione.