斯坦福大學的研究人員現(xiàn)在表示，他們已經(jīng)利用人工智能來制作一個更準確的模型，說明變形如何轉(zhuǎn)化為大腦中的壓力，并相信他們的方法可以揭示對腦震蕩何時以及為什么有時會導致持久的腦損傷的更明確的理解，而其他時候則不然。

“迄今為止，大腦建模的問題在于大腦不是一個均勻的組織 - 它在大腦的每個部分都不相同。然而，創(chuàng)傷往往是普遍存在的，“機械工程教授，生命物質(zhì)實驗室主任，發(fā)表在《生物材料學報》上的一項新研究的資深作者艾倫庫爾說。

“大腦也是超軟的，就像Jell-O一樣，這使得測試和模擬對大腦的物理影響非常具有挑戰(zhàn)性。

去圖書館

想要研究腦外傷的研究人員被迫從數(shù)十種材料模型的庫中選擇，其中一些可以追溯到近一個世紀前，以幫助計算大腦的壓力。

幾十年來，科學家們已經(jīng)為軟材料開發(fā)了這些模型，其名稱難以理解，如“塑料和橡膠的新胡克模型”，“軟組織的Demiray模型”和“橡膠狀固體的奧格登模型”。但是，適用于某種類型的應力(拉伸、壓縮或剪切)的模型可能不適用于另一種?；蛘?，一個可能適用于大腦一個區(qū)域的模型，可能不適用于另一個區(qū)域。

新方法采用模型模型策略，使用人工智能來發(fā)現(xiàn)4多種可能性中的哪個模型最能解釋大腦的行為。過去，選擇最佳模型是一個命中注定的過程，很大程度上取決于用戶體驗和個人偏好。

“我們通過允許機器學習檢查數(shù)據(jù)并決定哪種模型效果最好，從而將用戶選擇排除在等式之外，”Kuhl實驗室的博士學者，該論文的合著者Sarah St. Pierre補充道。

“自動化這個過程降低了模擬大腦的障礙?，F(xiàn)在，每個斯坦福學生都可以做到這一點!一旦機器學習發(fā)現(xiàn)了最佳模型，就很容易將其與幾代研究人員提出的模型聯(lián)系起來。

變革性見解

這種方法被稱為組成人工神經(jīng)網(wǎng)絡(luò)，是由Kevin Linka在加入生命物質(zhì)實驗室擔任博士后之前開發(fā)的，將他的方法應用于大腦。

“我們?yōu)榫W(wǎng)絡(luò)提供了上個世紀開發(fā)的所有現(xiàn)有本構(gòu)模型。人工智能會進行混合搭配以找到最佳選擇。這是不可能用手完成的，“林卡說。“現(xiàn)在，我們有效地發(fā)現(xiàn)了一種新的模型，使我們對研究大腦中的機械應力更有信心。

與傳統(tǒng)的現(xiàn)成神經(jīng)網(wǎng)絡(luò)不同，本構(gòu)型人工神經(jīng)網(wǎng)絡(luò)為大腦的物理學提供了新的見解。僅舉一個例子，研究小組指出，他們確定了物理上有意義的參數(shù)，例如四個大腦區(qū)域(皮層，基底神經(jīng)節(jié)，電暈輻射和胼胝體)的不同剪切剛度，每個區(qū)域精確地為1.82，0.88，0.94和0.54千帕。

剪切模量將撞擊頭部的力與腦組織變形有關(guān)。通過這些措施，大腦皮層 - 大腦的灰色外層 - 的硬度是連接大腦兩個半球的神經(jīng)網(wǎng)絡(luò)胼胝體的三倍多。

有了這些改進的知識，腦外傷研究人員可以更準確地模擬和了解腦外傷的起源。這可以激發(fā)新的防護設(shè)備或促進愈合的治療方法的設(shè)計。

為了將這些知識轉(zhuǎn)化為工程實踐，Kuhl 的團隊與一家大型仿真軟件公司 Dassault Systemès Simulia 合作，將自動模型發(fā)現(xiàn)直接集成到他們的分析工作流程中。

“這項研究真正令人興奮的是，”Kuhl說，“是組成型人工神經(jīng)網(wǎng)絡(luò)可以引發(fā)軟組織建模的范式轉(zhuǎn)變，從用戶定義的模型選擇到自動模型發(fā)現(xiàn)。這可能會永遠改變我們模擬材料和結(jié)構(gòu)的方式。