Funkční blízká infračervená spektroskopie (fNIRS) je metoda, která měří mozkovou aktivitu opticky – na základě změn průtoku krve v mozkové kůře. Na rozdíl od magnetické rezonance jde o nositelnou techniku, takže ji lze používat i za pohybu a mimo laboratoř. Příbuzná difuzní optická tomografie (DOT) tento princip rozšiřuje o lepší prostorové a hloubkové informace. Právě pro výzkumníky pracujícími s těmito daty vznikl nový nástroj Cedalion, který celý postup analýzy sjednocuje do jediného frameworku a jednoho programovacího jazyka. Výsledky popisuje studie zveřejněná v odborném časopise Neurophotonics.
- Cedalion spojuje celý analytický řetězec fNIRS a DOT dat v jazyce Python.
- Projekt je open-source a navazuje na MATLAB nástroje Homer2/3 a AtlasViewer z Boston University.
- Součástí je sedm praktických Jupyter notebooků, které běží v cloudu bez lokální instalace.
Optické metody se často kombinují s dalšími přístupy, jako je elektroencefalografie (EEG) nebo fyziologické signály, aby výzkumníci získali úplnější obraz mozkové aktivity v reálných podmínkách. Dosud si však museli data zpracovávat pomocí roztříštěných nástrojů rozesetých po různých softwarových prostředích. To v každodenní práci přinášelo zbytečné tření – a přesně to má Cedalion odstranit.
Framework integruje simulaci i strojové učení pod jednu střechu
Cedalion propojuje celou řadu kroků: simulaci šíření světla ve tkáni, fotogrammetrický odhad polohy optod na hlavě, metody pro hodnocení kvality signálu a korekci artefaktů, statistické modelování multimodálních časových řad pomocí obecných lineárních modelů (GLM), rekonstrukci obrazu DOT i metody strojového učení založené na datech. Nové metody tak lze vyvíjet a porovnávat se stávajícími ve stejném prostředí, kompletní pracovní postupy sdílet spolu s publikací a napojit přímo populární knihovny strojového učení.
Projekt je koncipován jako komunitní a open-source. Navazuje přitom na osvědčené MATLAB nástroje Homer2/3 a AtlasViewer z Boston University, čímž přenáší dlouholeté metodické zkušenosti do prostředí jazyka Python.
„Stojíme na ramenou průkopnických nástrojů Homer2/3 a AtlasViewer a stavíme na nich otevřený základ pro výzkum fNIRS,“ říká Alexander von Lühmann, vedoucí výzkumné skupiny „Intelligent Biomedical Sensing“ na BIFOLD / TU Berlin.
Klasické metody připravují data pro umělou inteligenci
Sjednocení existujících analytických metod do jednoho frameworku podle autorů zároveň vytváří technický předpoklad pro nové přístupy založené na datech. Klasické metody vnášejí do analýzy fyzikální a fyziologické znalosti – například odstraňují artefakty a převádějí surová optická měření na smysluplné veličiny. Tím vzniká lepší výchozí bod pro metody strojového učení, které z těchto reprezentací následně extrahují vzorce. Doplňující signály z EEG nebo fyziologických senzorů lze slučovat, což pomáhá oddělit mozkovou aktivitu od rušivých vlivů.
„Cedalion poskytuje výzkumníkům fNIRS a DOT nástroje k získání čistých, smysluplných reprezentací z jejich dat, což je přesně to, co metody strojového učení potřebují, aby dobře fungovaly,“ uvádí první autor studie Eike Middell.
Možné aplikace sahají od základního výzkumu po klinické otázky, jako je monitorování pacientů u lůžka nebo sledování motorických a kognitivních úkolů pomocí nositelných senzorů během fyzioterapie. Uplatnění se nabízí také v dekódování mozkové aktivity, například u rozhraní mezi mozkem a počítačem, v neurologii nebo psychologii.
Důraz na reprodukovatelnost a otevřené standardy
Cedalion má snížit náročnost sdílení kompletních, znovu spustitelných analýz. Framework dodržuje otevřené datové standardy SNIRF a BIDS a nabízí pracovní postupy, které lze sdílet spolu s vědeckými publikacemi. Notebooky spustitelné v cloudu snižují bariéru vstupu a automatická dokumentace propojuje každou implementovanou metodu s jejím zdrojovým článkem.
Autoři si zároveň nezastírají limity. Zmiňují vysokou výpočetní náročnost některých funkcí, jako je simulace fotonů či trénink modelů strojového učení, kterou řeší možností využití GPU/CPU a přechodem do cloudu. Metodická přísnost při použití strojového učení podle nich zůstává na samotných výzkumnících. Otevřenou výzvou je i systematické porovnávání komunitních postupů na standardizovaných datových sadách.
Do budoucna autoři doufají, že Cedalion poroste společně se svou komunitou – prostřednictvím přispívaných metod, sdílených pipeline a benchmarků na společných datech, doplněných o plánovaná vylepšení, jako je jednodušší konfigurace postupů a hlubší integrace strojového učení.
Pracujete s optickým zobrazováním mozku nebo vyvíjíte nástroje pro neurovědní data? Podělte se o názor, zda může jednotný open-source framework skutečně usnadnit každodenní výzkum.
