Think&Do Tank virtuel pour que la 4ème révolution "industrielle" / singularité impulsée par les NBIC soit éthique & sociale

Comment l’apprentissage en profondeur transforme la cartographie du cerveau

Image parElisaRiva de Pixabay

Les cartes cérébrales font fureur de nos jours. Depuis les points de couleur arc-en-ciel qui mettent en évidence les neurones ou l’expression des gènes à travers le cerveau, aux “coups de pinceau” du néon qui représentent les connexions neurales, une nouvelle carte du cerveau sort plusieurs fois par an.

Sans aucun doute, ces cartes sont inestimables pour relier la macro (l’architecture du cerveau) à la micro (profils génétiques, expression des protéines, réseaux neuronaux) dans l’espace et le temps. Les scientifiques peuvent maintenant comparer les images du cerveau de leurs propres expériences à une ressource standard. Il s’agit là d’une première étape essentielle pour, par exemple, mettre au point des algorithmes permettant de repérer les tumeurs cérébrales ou comprendre comment la dépression modifie la connectivité du cerveau. Nous sommes littéralement dans une nouvelle ère de neuro-exploration.

Mais il ne s’agit que d’un début. Pour être vraiment utiles, les atlas cérébraux doivent être entièrement annotés. Tout comme les premiers cartographes étiquetaient les continents de la Terre, une première étape dans l’annotation des cartes du cerveau consiste à distinguer avec précision les différentes régions fonctionnelles.

Ce mois-ci, une équipe de l’Institut de recherche sur le cerveau de l’UZH à Zurich a exploité la puissance de traitement des cerveaux artificiels pour reprendre le travail tant détesté de “segmentations régionales”. L’équipe a nourri un microscope à réseau neuronal profond d’images de cerveaux de souris entiers, qui ont été “tachés” avec une variété de méthodes et un grand nombre de marqueurs différents.

Indépendamment de l’âge, de la méthode ou du marqueur, l’algorithme a identifié de façon fiable des douzaines de régions du cerveau, atteignant souvent la performance de l’annotation réalisée par des humains. Le bot a également fait preuve d’une remarquable capacité à “transférer” son apprentissage : entraîné sur un marqueur, il pouvait généraliser son apprentissage à d’autres marqueurs ou à la coloration. Lorsqu’il a été testé sur un pool de scans du cerveau humain, l’algorithme a aussi bien fonctionné.

La suite ici (Shelly Fan)

(Visited 147 times, 1 visits today)

Loïc Bardon
A propos Loïc Bardon

Co-fondateur de Paris Singularity, think&do tank virtuel d'empowerment citoyen Prospectiviste passionné par la 4e révolution "industrielle"/singularité impulsée par les technologies NBIC(Nano/Bio/Info/Cogno)

Contact: Twitter | Plus d'articles

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée.


*