La cartographie de la structure des réseaux biologiques dans le système nerveux – un domaine d’étude connu sous le nom de connectomique (établissement et étude du connectome c’est-à-dire de l’ensemble des connexions neuronales du cerveau) – est intensive en calcul. Le cerveau humain contient environ 86 milliards de neurones en réseau à travers 100 milliards de synapses, et l’imagerie d’un seul millimètre cube de tissu peut générer plus de 1000 téraoctets de données. Heureusement, l’intelligence artificielle peut aider.

Dans un article publié dans la revue Nature Methods, des scientifiques de Google et de l’Institut de neurobiologie Max Planck ont démontré un réseau de neurones récurrent – un type d’algorithme d’apprentissage automatique (machine learning) souvent utilisé pour l’écriture manuscrite et la reconnaissance vocale – conçu sur mesure pour l’analyse connectomique.

Les chercheurs de Google ne sont pas les premiers à appliquer l’apprentissage automatique à la connectivité. En mars, Intel s’est associé au Laboratoire d’informatique et d’intelligence artificielle du Massachusetts Institute of Technology pour développer un pipeline de traitement d’images cérébrales « next-gen ». Mais ils prétendent que leur modèle améliore la précision d’un « ordre de grandeur » par rapport aux techniques d’apprentissage en profondeur (deep learning) précédentes.

Google’s algorithm tracing a neurite in 3D in a songbird brain. Credit: Google

Les chercheurs ont utilisé un algorithme de détection de bord qui a identifié les limites des neurites (une excroissance du corps du neurone), ainsi qu’un réseau neuronal convolutif récurrent – une sous-catégorie de réseau neuronal récurrent – qui regroupait et surlignait les pixels dans les scans représentant les neurones.

Pour garder une trace de précision, l’équipe a développé une « expected run length« – longueur d’exécution attendue (ERL), une mesure qui, à partir d’un point aléatoire avec un neurone aléatoire dans une image 3D d’un cerveau, a mesuré jusqu’où l’algorithme pouvait tracer un neurone avant de faire une erreur. Dans un balayage du cerveau d’un diamant zébré de 1 million de microns cubes, le modèle s’est comporté « beaucoup mieux » que les algorithmes précédents, a rapporté l’équipe.

« En combinant ces résultats automatisés avec une petite quantité d’effort humain supplémentaire nécessaire pour réparer les erreurs restantes, les chercheurs de l’Institut Max Planck sont maintenant en mesure d’étudier le connectome des oiseaux chanteurs pour en savoir plus sur la façon dont les oiseaux de pinsons chantent leur chanson et testent les théories relatives à la façon dont ils apprennent leur chanson », Viren Jain et Michal Januszewski, chercheurs de Google et auteurs principaux.

L‘équipe a également publié le code du modèle TensorFlow sur Github, ainsi que le logiciel WebGL 3D utilisé pour visualiser le jeu de données et améliorer les résultats de la reconstruction. Ils prévoient d’affiner le système à l’avenir, dans le but d’automatiser entièrement le processus de résolution des synapses et de contribuer aux projets de l’Institut Max Planck.

Google AI Blog, VentureBeat