ტვინისა და სხეულის მრავალი უმნიშვნელოვანესი ფუნქციის — ცნობიერების, ძილის, სუნთქვის, გულისცემის და მოძრაობის — განმსაზღვრელი სიგნალები ტვინის ღეროში არსებული „თეთრი ნივთიერების“ ბოჭკოების შეკრებებში გადის, თუმცა ვიზუალიზაციის სისტემებს ჯერჯერობით არ შეეძლოთ ამ კრიტიკული ნერვული კაბელების ზუსტად გარჩევა. ამან მკვლევარებსა და ექიმებს მცირე შესაძლებლობა დაუტოვა შეეფასებინათ, თუ როგორ მოქმედებს მათზე ტრავმა ან ნეიროდეგენერაცია. ახალ კვლევაში, MIT-ის, ჰარვარდის უნივერსიტეტისა და მასაჩუსეტსის გენერალური ჰოსპიტალის მკვლევართა გუნდმა წარმოადგინა ხელოვნურ ინტელექტზე დაფუძნებული პროგრამული უზრუნველყოფა, რომელსაც შეუძლია ავტომატურად განასხვავოს რვა სხვადასხვა შეკრება ნებისმიერ დიფუზიურ MRI სკანირებაში. 6 თებერვალს „მეცნიერებათა ეროვნული აკადემიის შრომებში“ (Proceedings of the National Academy Sciences) გამოქვეყნებულ ღია წვდომის კვლევაში, MIT-ის ასპირანტის მარკ ოლჩანის ხელმძღვანელობით მკვლევართა გუნდი იუწყება, რომ მათმა „ტვინის ღეროს შეკრების ხელსაწყომ“ (BSBT), რომელიც საჯაროდ ხელმისაწვდომი გახადეს, გამოავლინა სტრუქტურული ცვლილებების მკაფიო ნიმუშები პარკინსონის, გაფანტული სკლეროზისა და ტრავმული ტვინის დაზიანების მქონე პაციენტებში, ასევე ნათელი მოჰფინა ალცჰაიმერის დაავადებას. გარდა ამისა, კვლევა აჩვენებს, რომ BSBT-მ რეტროსპექტულად შესაძლებელი გახადა კომაში მყოფი პაციენტის შეკრებების შეხორცების თვალყურის დევნება, რაც ასახავდა პაციენტის შვიდთვიან გამოჯანმრთელების გზას. „ტვინის ღერო ტვინის ის რეგიონია, რომელიც არსებითად გამოუძიებელია, რადგან მისი ვიზუალიზაცია რთულია“, — ამბობს ოლჩანი, MIT-ის სამედიცინო ინჟინერიისა და სამედიცინო ფიზიკის პროგრამის დოქტორანტი. „ადამიანებს ნამდვილად არ ესმით მისი შემადგენლობა ვიზუალიზაციის პერსპექტივიდან. ჩვენ უნდა გავიგოთ, როგორია თეთრი ნივთიერების ორგანიზაცია ადამიანებში და როგორ იშლება ეს ორგანიზაცია გარკვეული დარღვევების დროს“. პროფესორი ემერი ნ. ბრაუნი, ოლჩანის სადისერტაციო ნაშრომის ხელმძღვანელი და კვლევის თანაავტორი, დასძენს: „ტვინის ღერო სხეულის ერთ-ერთი უმნიშვნელოვანესი საკონტროლო ცენტრია. მარკის ალგორითმები მნიშვნელოვანი წვლილია ვიზუალიზაციის კვლევებში და ჩვენს შესაძლებლობაში, გავიგოთ ფუნდამენტური ფიზიოლოგიის რეგულაცია. ტვინის ღეროს ვიზუალიზაციის ჩვენი შესაძლებლობების გაუმჯობესებით, ის გვაძლევს ახალ წვდომას სასიცოცხლო ფიზიოლოგიურ ფუნქციებზე, როგორიცაა სასუნთქი და გულ-სისხლძარღვთა სისტემების კონტროლი, ტემპერატურის რეგულაცია, როგორ ვრჩებით გაღვიძებულები დღის განმავლობაში და როგორ გვძინავს ღამით“. ბრაუნი არის ედვარდ ჰუდ ტაპლინის გამოთვლითი ნეირომეცნიერებისა და სამედიცინო ინჟინერიის პროფესორი პიკაუერის ინსტიტუტში სწავლისა და მეხსიერებისთვის, სამედიცინო ინჟინერიისა და მეცნიერების ინსტიტუტში და MIT-ის ტვინისა და კოგნიტური მეცნიერებების დეპარტამენტში. ის ასევე არის ანესთეზიოლოგი MGH-ში და პროფესორი ჰარვარდის სამედიცინო სკოლაში. **ალგორითმის შექმნა** დიფუზიური MRI ხელს უწყობს გრძელი ტოტების, ანუ „აქსონების“ მიკვლევას, რომლებსაც ნეირონები ერთმანეთთან კომუნიკაციისთვის იყენებენ. აქსონები, როგორც წესი, ცხიმოვანი გარსით, მიელინით არის დაფარული, და წყალი აქსონების გასწვრივ მიელინის შიგნით დიფუზირდება, რასაც ტვინის „თეთრი ნივთიერებაც“ ჰქვია. დიფუზიურ MRI-ს შეუძლია ხაზი გაუსვას წყლის ამ ძალიან მიმართულ გადაადგილებას. თუმცა, ტვინის ღეროში აქსონების მკაფიო შეკრებების სეგმენტაცია რთული აღმოჩნდა, რადგან ისინი მცირე ზომისაა და ტვინის სითხეების ნაკადებითა და სუნთქვისა და გულისცემის შედეგად წარმოქმნილი მოძრაობებით არის შენიღბული. ცნობიერების საფუძვლად მდებარე ნერვული მექანიზმების უკეთ გასაგებად სადისერტაციო ნაშრომის ფარგლებში, ოლჩანის სურდა ხელოვნური ინტელექტის ალგორითმის შემუშავება ამ დაბრკოლებების დასაძლევად. BSBT მუშაობს ბოჭკოვანი შეკრებების მიკვლევით, რომლებიც ტვინის ღეროში ჩაედინება ტვინის უფრო მაღლა მდებარე მეზობელი უბნებიდან, როგორიცაა თალამუსი და ნათხემი, რათა შექმნას „ალბათური ბოჭკოვანი რუკა“. ხელოვნური ინტელექტის მოდული, სახელწოდებით „კონვოლუციური ნერვული ქსელი“, შემდეგ აერთიანებს რუკას ტვინის ღეროს შიგნიდან მიღებულ ვიზუალიზაციის რამდენიმე არხის ინფორმაციასთან რვა ინდივიდუალური შეკრების გასარჩევად. ნერვული ქსელის შეკრებების სეგმენტაციისთვის გასაწვრთნელად, ოლჩანიმ მას „აჩვენა“ 30 ცოცხალი დიფუზიური MRI სკანირება მოხალისეებისგან „ადამიანის კონექტომის პროექტიდან“ (HCP). სკანირებები ხელით იქნა ანოტირებული, რათა ნერვული ქსელისთვის ესწავლებინათ შეკრებების იდენტიფიცირება. შემდეგ მან BSBT-ის ვალიდაცია მოახდინა მისი გამოსავლის შემოწმებით „ჭეშმარიტი“ გვამური ტვინების დისექციების წინააღმდეგ, სადაც შეკრებები კარგად იყო გამოკვეთილი მიკროსკოპული შემოწმებით ან ძალიან ნელი, მაგრამ ულტრა მაღალი რეზოლუციის ვიზუალიზაციით. ტრენინგის შემდეგ, BSBT დახელოვნდა ახალ სკანირებებში რვა მკაფიო ბოჭკოვანი შეკრების ავტომატურ იდენტიფიცირებაში. თანმიმდევრულობისა და სანდოობის შესამოწმებლად ჩატარებულ ექსპერიმენტში, ოლჩანიმ BSBT-ს დაავალა შეკრებების პოვნა 40 მოხალისეში, რომლებსაც ცალკეული სკანირება ჩაუტარდათ ორთვიანი ინტერვალით. თითოეულ შემთხვევაში, ხელსაწყომ შეძლო ერთი და იგივე შეკრებების პოვნა ერთი და იგივე პაციენტებში ორივე სკანირებაში. ოლჩანიმ ასევე გამოსცადა BSBT მრავალი მონაცემთა ნაკრებით (არა მხოლოდ HCP-ით) და შეისწავლა, თუ როგორ უწყობდა ხელს ნერვული ქსელის თითოეული კომპონენტი BSBT-ის ანალიზს, სათითაოდ „გამორთვით“. „ჩვენ ნერვული ქსელი რთულ გამოცდას დავუქვემდებარეთ“, — ამბობს ოლჩანი. „ჩვენ გვინდოდა დავრწმუნებულიყავით, რომ ის მოქმედებს...“