مرکز تحقیقات علوم اعصاب

کاربرد یادگیری عمیق در علوم اعصاب

مقدمه در دهه های اخیر، پیشرفت های چشمگیری در حوزه هوش مصنوعی، به ویژه در شاخه یادگیری عمیق [1]، موجب دگرگونی در بسیاری از علوم شده است. یکی از حوزه هایی که به طور خاص از این پیشرفت ها بهره مند شده، علم اعصاب است؛ علمی که با پیچیدگی های فراوان عملکرد مغز انسان، به ویژه در سطح سیستم های شناختی، مواجه است. یادگیری عمیق، با الهام از ساختار لایه ای و یادگیری تدریجی مغز، ابزارهای جدیدی را برای مدل سازی، تفسیر و پیش بینی داده های عصبی فراهم کرده است.

ﻣﻘﺎﻟﻪی «ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ ﺑﺮای ﻋﻠﻢ اﻋﺼﺎب [2]» ﻧﻮﺷﺘﻪی Eric Jonas و Konrad Kording که در سال 2017 در مجله ی معتبر Nature Neuroscience ﻣﻨﺘﺸﺮ ﺷﺪه اﺳﺖ، ﯾﮑﯽ از آﺛﺎر ﺑﺮﺟﺴﺘﻪ در اﯾﻦ زﻣﯿﻨﻪ ﻣﺤﺴﻮب ﻣﯽﺷﻮد. ﻧﻮﯾﺴﻨﺪﮔﺎن در اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺎ روﯾﮑﺮدی ﺗﺤﻠﯿﻠﯽ، ﺑﻪ ﺑﺮرﺳﯽ ﻇﺮﻓﯿﺖﻫﺎی ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ ﺑﺮای ﻣﺪلﺳﺎزی ﻣﻐﺰ و ﮐﺎرﺑﺮد آن در ﺗﺤﻘﯿﻘﺎت ﻋﻠﻮم اﻋﺼﺎب ﭘﺮداﺧﺘﻪاﻧﺪ. ﻣﻘﺎﻟﻪ ﻫﻤﭽﻨﯿﻦ ﺑﻪ ﭼﺎﻟﺶﻫﺎی ﻣﻮﺟﻮد در اﯾﻦ روﯾﮑﺮدﻫﺎ و ﺗﻔﺎوتﻫﺎی ﺑﻨﯿﺎدﯾﻦ ﻣﯿﺎن ﻣﻐﺰ اﻧﺴﺎن و ﺷﺒﮑﻪﻫﺎی ﻣﺼﻨﻮﻋﯽ ﻣﯽﭘﺮدازد.

ﺷﺒﺎﻫﺖﻫﺎی ﺳﺎﺧﺘﺎری و ﻋﻤﻠﮑﺮدی ﺑﯿﻦ ﻣﻐﺰ و ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ ﯾﮑﯽ از ﻧﮑﺎت ﻣﺤﻮری اﯾﻦ ﻣﻘﺎﻟﻪ، ﺑﺮرﺳﯽ ﺷﺒﺎﻫﺖﻫﺎی ﺳﺎﺧﺘﺎری و ﮐﺎرﮐﺮدی ﻣﯿﺎن ﻣﻐﺰ اﻧﺴﺎن و ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ اﺳﺖ. در ﻫﺮ دو ﺳﯿﺴﺘﻢ، اﻃﻼﻋﺎت ﺑﻪﺻﻮرت ﻻﯾﻪﻻﯾﻪ ﭘﺮدازش ﻣﯽﺷﻮد. ﺑﺮای ﻣﺜﺎل، در ﺑﯿﻨﺎﯾﯽ اﻧﺴﺎن، اﻃﻼﻋﺎت از ﺷﺒﮑﯿﻪ ﺑﻪ ﻗﺸﺮ ﺑﯿﻨﺎﯾﯽ اوﻟﯿﻪ (V1) و ﺳﭙﺲ ﺑﻪ ﻧﻮاﺣﯽ ﺳﻄﺢ ﺑﺎﻻﺗﺮ ﻣﻐﺰی اﻧﺘﻘﺎل ﻣﯽﯾﺎﺑﺪ. ﻣﺸﺎﺑﻪ اﯾﻦ روﻧﺪ، در ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﭘﯿﭽﺸﯽ [3] (CNNs)، ﺗﺼﺎوﯾﺮ ورودی از ﻻﯾﻪﻫﺎی اﺑﺘﺪاﯾﯽ (ﮐﻪ وﯾﮋﮔﯽﻫﺎی ﺳﺎده ﻣﺎﻧﻨﺪ ﻟﺒﻪﻫﺎ را ﺗﺸﺨﯿﺺ ﻣﯽدﻫﻨﺪ) ﺑﻪ ﻻﯾﻪﻫﺎی ﻋﻤﯿﻖﺗﺮ (ﮐﻪ اﻟﮕﻮﻫﺎی ﭘﯿﭽﯿﺪهﺗﺮی را درک ﻣﯽﮐﻨﻨﺪ) ﻣﻨﺘﻘﻞ ﻣﯽﺷﻮﻧﺪ.

ﻧﻮﯾﺴﻨﺪﮔﺎن ﻣﻘﺎﻟﻪ ﺗﺄﮐﯿﺪ دارﻧﺪ ﮐﻪ اﯾﻦ ﺷﺒﺎﻫﺖﻫﺎ ﻧﻪﺗﻨﻬﺎ در ﺳﺎﺧﺘﺎر، ﺑﻠﮑﻪ در ﻧﺤﻮه ﯾﺎدﮔﯿﺮی ﻧﯿﺰ دﯾﺪه ﻣﯽﺷﻮد. ﻫﺮ دو ﺳﯿﺴﺘﻢ ﺑﺎ درﯾﺎﻓﺖ دادهﻫﺎی ﺣﺴﯽ از ﻣﺤﯿﻂ، ﺑﻪﺗﺪرﯾﺞ اﻟﮕﻮﻫﺎﯾﯽ را ﺷﻨﺎﺳﺎﯾﯽ و ذﺧﯿﺮه ﻣﯽﮐﻨﻨﺪ. در ﻣﻐﺰ، اﯾﻦ ﻓﺮآﯾﻨﺪ از ﻃﺮﯾﻖ ﺗﻐﯿﯿﺮ در اﺗﺼﺎﻻت ﺳﯿﻨﺎﭘﺴﯽ و در ﺷﺒﮑﻪﻫﺎی ﻣﺼﻨﻮﻋﯽ از ﻃﺮﯾﻖ  ﺑﻪروزرﺳﺎﻧﯽ  وزنﻫﺎ  ﺑﻪﮐﻤﮏ  اﻟﮕﻮرﯾﺘﻢﻫﺎی  ﯾﺎدﮔﯿﺮی  ﻣﺎﻧﻨﺪ Backpropagation انجام می شود. 

اﮔﺮﭼﻪ اﯾﻦ اﻟﮕﻮرﯾﺘﻢﻫﺎ از ﻣﻨﻈﺮ ﺑﯿﻮﻟﻮژﯾﮑﯽ ﻣﻤﮑﻦ اﺳﺖ دﻗﯿﻘﺎً ﻗﺎﺑﻞ ﺗﻄﺒﯿﻖ ﺑﺎ ﻣﻐﺰ ﻧﺒﺎﺷﻨﺪ، اﻣﺎ ﻣﻨﻄﻖ ﮐﻠﯽ آنﻫﺎ – ﯾﻌﻨﯽ اﺻﻼح ﺗﺪرﯾﺠﯽ ﺑﺮ ﭘﺎﯾﻪ ﺧﻄﺎ – ﻧﺸﺎندﻫﻨﺪهی روﯾﮑﺮدی ﻣﺸﺘﺮک در ﯾﺎدﮔﯿﺮی اﺳﺖ. ﻫﻤﯿﻦ ﺷﺒﺎﻫﺖﻫﺎ ﻣﻮﺟﺐ ﺷﺪه اﺳﺖ ﮐﻪ ﭘﮋوﻫﺸﮕﺮان ﻋﻠﻢ اﻋﺼﺎب از ﺷﺒﮑﻪﻫﺎی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﺷﺒﯿﻪﺳﺎزی و درک ﺑﻬﺘﺮ ﭘﺮدازش اﻃﻼﻋﺎت در ﻣﻐﺰ ﺑﻬﺮه ﺑﺒﺮﻧﺪ. 

ﮐﺎرﺑﺮدﻫﺎی ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ در ﻋﻠﻢ اﻋﺼﺎب

ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ ﺑﻪﻋﻨﻮان اﺑﺰاری ﻗﺪرﺗﻤﻨﺪ در ﺗﺤﻠﯿﻞ دادهﻫﺎی ﭘﯿﭽﯿﺪه، در ﺳﺎلﻫﺎی اﺧﯿﺮ ﺑﻪ ﯾﮑﯽ از ارﮐﺎن اﺻﻠﯽ ﭘﮋوﻫﺶﻫﺎی ﻋﻠﻮم اﻋﺼﺎب ﺗﺒﺪﯾﻞ ﺷﺪه اﺳﺖ. ﺗﻮاﻧﺎﯾﯽ اﯾﻦ اﻟﮕﻮرﯾﺘﻢﻫﺎ در اﺳﺘﺨﺮاج اﻟﮕﻮﻫﺎی ﭘﻨﻬﺎن از دادهﻫﺎی ﺣﺠﯿﻢ و ﭼﻨﺪﺑﻌﺪی، ﻣﻮﺟﺐ ﺷﺪه اﺳﺖ ﮐﻪ ﭘﮋوﻫﺸﮕﺮان از آنﻫﺎ در زﻣﯿﻨﻪﻫﺎی ﻣﺘﻌﺪدی ﺑﻬﺮهﮔﯿﺮﻧﺪ. در اﯾﻦ ﺑﺨﺶ، ﺑﻪ ﺑﺮﺧﯽ از ﻣﻬﻢﺗﺮﯾﻦ ﮐﺎرﺑﺮدﻫﺎی ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ در ﻋﻠﻢ اﻋﺼﺎب ﮐﻪ در ﻣﻘﺎﻟﻪی Jonas و Kording ﻣﻄﺮح ﺷﺪه اﻧﺪ، ﭘﺮداﺧﺘﻪ ﻣﯽﺷﻮد.

ﺗﺤﻠﯿﻞ دادهﻫﺎی ﺗﺼﻮﯾﺮﺑﺮداری ﻣﻐﺰی MEG , EEG ،fMRI

ﯾﮑﯽ از ﭼﺎﻟﺶﻫﺎی ﻣﻬﻢ در ﻋﻠﻮم اﻋﺼﺎب، ﺗﻔﺴﯿﺮ دادهﻫﺎی ﺣﺠﯿﻢ ﺣﺎﺻﻞ از تکنیکهای ﺗﺼﻮﯾﺮﺑﺮداری ﻣﺎﻧﻨﺪ ﺗﺼﻮﯾﺮﺑﺮداری ﺗﺸﺪﯾﺪ ﻣﻐﻨﺎﻃﯿﺴﯽ ﻋﻤﻠﮑﺮدی )[4] (fMRI و اﻟﮑﺘﺮواﻧﺴﻔﺎﻟﻮﮔﺮاﻓﯽ )[5] (EEG اﺳﺖ. اﯾﻦ دادهﻫﺎ اﻏﻠﺐ دارای ﻧﻮﯾﺰ ﺑﺎﻻ و ﺳﺎﺧﺘﺎر ﻏﯿﺮﺧﻄﯽ ﻫﺴﺘﻨﺪ. ﺷﺒﮑﻪﻫﺎی ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ، ﺑﻪوﯾﮋه ﺷﺒﮑﻪﻫﺎی ﺑﺎزﮔﺸﺘﯽ) [6] (RNNs و CNNs ، ﺗﻮاﻧﺴﺘﻪاﻧﺪ در ﺗﻔﺴﯿﺮ و طبقه بندی این داده ها عملکرد چشمگیری از خود نشان دهند. برای مثال، در تحلیل الگوهای فعالیت مغزی هنگام دیدن تصاویر یا انجام فعالیت های شناختی خاص، مدل های یادگیری عمیق قادر به شناسایی تفاوت های ریز در نواحی مغزی فعال هستند که از دید روش های سنتی پنهان می مانند.

رمزگشایی از فعالیت های نورونی و پیش بینی رفتار یادگیری عمیق این امکان را فراهم کرده که از الگوهای فعالیت نورونی مانند، spike trains بتوان رفتارهای حرکتی، تصمیم گیری یا پاسخ های احساسی را پیش بینی کرد. در برخی مطالعات، شبکه های عصبی مصنوعی آموزش دیده اند تا تنها با استفاده از داده های نورونی، نوع فعالیت حرکتی بعدی یا تصمیم احتمالی موجود زنده را حدس بزنند. این دستاوردها نه تنها در فهم پردازش اطلاعات در مغز مؤثرند، بلکه کاربرد مستقیمی در توسعه رابط های مغز–ماشین [ 7] دارند.

مدل سازی شناختی و شبیه سازی عملکرد مغز

در مقاله مطرح شده است که شبکه های یادگیری عمیق می توانند برای مدل سازی عملکرد شناختی مغز نظیر حافظه، یادگیری، توجه و ادراک به کار روند. برای مثال، مدل هایی طراحی شده اند که روند پردازش زبان، انتخاب بین گزینه ها، و یا حتی حل مسئله را شبیه سازی می کنند. این مدل ها نه تنها به فهم بهتر سازوکارهای شناختی کمک می کنند، بلکه به طراحی سیستم های هوش مصنوعی با عملکردهای انسانی نیز منجر می شوند.

کاربردهای بالینی در تشخیص بیماری های عصبی هرچند این محور مستقیماً تمرکز مقاله نیست، اما نویسندگان اشاره می کنند که ابزارهای یادگیری عمیق می توانند در تشخیص بیماری های عصبی مانند آلزایمر، صرع، و اسکیزوفرنی نیز کاربرد داشته باشند. مدل های تشخیص الگو، با بررسی تغییرات ساختاری و عملکردی در داده های مغزی، می توانند در مراحل اولیه بیماری ها را شناسایی و روند پیشرفت آن ها را پیش بینی کنند. چالش ها و محدودیت ها با وجود پیشرفت های چشمگیر یادگیری عمیق در تحلیل داده های عصبی، این حوزه با چالش های جدی نیز مواجه است. مقاله Kording و Jonas 

با نگاهی واقع گرایانه به برخی از مهم ترین موانع و محدودیت های این رویکرد اشاره می کند. تفسیرناپذیری مدل ها [8] یکی از چالش های بنیادی در کاربرد یادگیری عمیق در علوم اعصاب، تفسیرناپذیری آن است. برخلاف مغز انسان که ساختار آن به صورت فیزیکی و زیستی قابل بررسی است، شبکه های عصبی مصنوعی اغلب به صورت "جعبه سیاه" عمل می کنند؛ به این معنا که مشخص نیست دقیق اً کدام ویژگی ها در تصمیم گیری مدل نقش دارند. این موضوع در علوم اعصاب که هدف آن درک سازوکارهای درونی مغز است، یک ضعف محسوب می شود.

فاصله با واقعیت بیولوژیکی

اگرچه شبکه های عصبی مصنوعی از ساختار مغز الهام گرفته شده اند، اما تفاوت های زیادی با واقعیت زیستی دارند. مغز از میلیاردها نورون با ساختارهای پیچیده و پلاستیسیته سیناپسی پویا تشکیل شده است، در حالی که مدل های مصنوعی معمو لاً ساده ترند و فاقد ویژگی هایی مانند مصرف انرژی کارآمد، خودتنظیمی یا یادگیری بدون نظارت پیچیده هستند.

نیاز به داده های بزرگ و با برچسب دقیق

برای آموزش مدل های یادگیری عمیق، معمو لاً به حجم بزرگی از داده های برچسب دار نیاز است. این امر در علوم اعصاب، به ویژه در انسان، دشوار و پرهزینه است. بسیاری از داده های مغزی دارای نویز بالا و عدم قطعیت اند و تهیه ی داده های تمیز و قابل استفاده، نیازمند آزمایش های دقیق و تکرارشونده است.

نتیجه گیری و چشم انداز آینده

یادگیری عمیق، به عنوان شاخه ای نوظهور و پرشتاب از هوش مصنوعی، در حال تغییر چشم انداز علم اعصاب است. مقاله ی «Deep Learning for Neuroscience» نشان می دهد که این ابزارها، علاوه بر تحلیل داده های پیچیده ی مغزی، می توانند به شبیه سازی فرآیندهای شناختی و پیش بینی رفتار انسان کمک کنند. با این حال، برای بهره برداری کامل از ظرفیت این تکنولوژی، باید بر چالش هایی مانند تفسیرپذیری، نزدیکی بیشتر به ساختار زیستی مغز، و دسترسی به داده های مناسب فائق آمد. در آینده، انتظار می رود همکاری میان دانشمندان علوم اعصاب و مهندسان یادگیری ماشین، به توسعه مدل هایی منجر شود که هم از لحاظ عملکردی به مغز انسان نزدیک تر باشند و هم قابلیت تفسیر بالاتری داشته باشند. مسیرهای نوینی مانند یادگیری زیست الهام شده [9]، شبکه های عصبی قابل توضیح (explainable AI) و مدل های ترکیبی بیولوژیکی-مصنوعی می توانند ابزارهای موثرتری برای فهم مغز و ساخت سامانه های هوشمند تر فراهم سازند. در مجموع، تلفیق دانش علوم اعصاب و یادگیری عمیق، نه تنها فهم ما از مغز را افزایش می دهد، بلکه موجب خلق فناوری هایی خواهد شد که روزی خودآگاه تر، یادگیرنده تر و انسان محورتر باشند.

نگاه شخصی نویسنده 

برای من، یادگیری عمیق و هوش مصنوعی فقط ابزارهایی برای تحلیل داده نیستند، بلکه در واقع دروازه ای به دنیای پیچیده و ناشناخته مغز انسان هستند. همیشه برای من سوال بود که مدل سازی یا حتی درک کارکرد مغز با این همه پیچیدگی چگونه امکان پذیر است.

وقتی دیدم چطور شبکه های عصبی مصنوعی می توانند برخی از رفتارهای مغز را شبیه سازی کنند یا الگوهای پیچیده مغزی را تحلیل کنند، واقعا شگفت زده شدم. البته واضح است که هیچ کدام از این مدل ها نمی توانند دقیق اً همانند مغز عمل کنند، ولی همین تلاش برای نزدیک تر شدن به درک واقعی مغز، خود می تواند مسیر جدیدی برای پژوهش ها و حتی فناوری های نوین فراهم کند. در نهایت به نظر من علوم اعصاب و یادگیری ماشین دیگر به هیچ عنوان دو حوزه مجزا نیستند. در دنیای امروز، اگر بخواهیم مغز را به درستی بشناسیم یا سیستم های هوشمندتر و کارآمدتری بسازیم، باید به هم افزایی این دو علم توجه ویژه داشته باشیم.

منبع:

 Richards, B. A., Lillicrap, T. P., Beaudoin, P., Bengio, Y., Bogacz, R., Christensen, A., ... & Kording, K. P. (2019). A deep learning framework for neuroscience. Nature neuroscience, 22(11), 1761-1770.

گردآوری و بازنویسی: امیررضا آقابابایی

دانشجوی پزشکی دانشگاه علوم پزشکی شهید بهشتی

[1] Deep learning

[2] Deep Learning for Neuroscience

[3] Convolutional Neural Networks

[4] Functional Magnetic Resonance Imaging

[5] Electroencephalography

[6] Recurrent Neural Networks

[7] Brain-Computer Interfaces

[8] bio-inspired learning 

[9] Black Box Problem