Wie ein KI-Modell der Hirnforschung 157 Jahre Arbeit erspart
Das Mapping eines Gehirns scheitert oft an der fehlerhaften Bilderkennung. Ein neuer Ansatz löst das Problem mit einem simplen Trick bei den Trainingsdaten.
Ein neues generatives KI-Modell entwirft synthetische 3D-Neuronen, um das aufwendige Mapping von Säugetiergehirnen zu beschleunigen. Durch den gezielten Einsatz dieser künstlichen Trainingsdaten sinkt die Fehlerquote bei der Bildrekonstruktion, was Jahrzehnte an manueller Korrekturarbeit einspart.
Die Grenzen der manuellen Gehirnkartierung
Die Erstellung vollständiger neuronaler Schaltpläne scheitert in der Neurowissenschaft oft an der schieren Datenmenge. Eine kürzlich abgeschlossene Karte eines Fruchtfliegengehirns umfasst rund 166.000 Neuronen und erforderte jahrelange Arbeit. Ein vollständiges Mäusegehirn ist jedoch tausendmal größer.
Bisherige KI-Modelle wandeln mikroskopische 2D-Gewebeschnitte in dreidimensionale Strukturen um. Dabei entstehen regelmäßig Fehler, wenn die Modelle getrennte Nervenbahnen fälschlicherweise verbinden oder zusammengehörige trennen. Menschliche Experten müssen diese Ergebnisse aufwendig am Bildschirm überprüfen und von Hand korrigieren. Dieser Verifizierungsschritt stellt aktuell den größten Flaschenhals dar.
Quelle: Google - synthetic neurons
Synthetische Geometrie senkt Fehlerquote
Um die Objekterkennung zu verbessern, erzeugt das neue Modell MoGen biologisch realistische Neuronen-Geometrien. Die KI wandelt zufällige 3D-Punktwolken schrittweise in detaillierte Gewebestrukturen wie Axone um. Fachleute konnten die generierten Formen in Tests nicht mehr von echten biologischen Proben unterscheiden.
Diese synthetischen Daten reichern das Training der eigentlichen Rekonstruktions-Modelle an. Ein Anteil von zehn Prozent simulierter Daten im Training reduziert die Fehlerquote bei der Erkennung um 4,4 Prozent.
Was isoliert betrachtet nach einer geringen Verbesserung klingt, hat bei der Skalierung enorme Auswirkungen. Bei einem kompletten Mäusegehirn entspricht dieser Rückgang an Fehlern einer theoretischen Ersparnis von 157 Personenjahren an händischer Korrekturarbeit. Der dazugehörige Programmcode sowie die trainierten Parameter der Modelle stehen ab sofort als Open Source bereit.