大脑的功能基于神经细胞之间的连接。为了绘制这些连接并创建连接图(大脑的“接线图”)，神经生物学家借助三维电子显微镜捕获了大脑的图像。但是，到目前为止，即使在计算机的大力支持下，人类对这些图像的分析也将花费数十年的事实，阻碍了较大区域的地图绘制。现在，情况已经改变。Google AI和马克斯·普朗克神经生物学研究所的科学家描述了一种基于人工神经网络的方法，该方法能够重建整个神经细胞，其所有元素和连接几乎不会从图像堆栈中出错。

与大脑相比，人工神经网络使用大大简化的“神经细胞”。然而，基于这些网络的人工智能已经发现了无数的应用：从自动驾驶汽车到质量控制再到疾病的诊断。但是，直到现在，对于非常复杂的任务，例如从神经三维图像中绘制单个神经细胞及其所有分支和接触点的映射，该算法还是不够精确。

“计算机从我们的电子显微镜图像生成的细胞结构简直犯了太多错误，”马丁斯里德马克斯·普朗克神经生物学研究所的约尔根·科恩费尔德(JörgenKornfeld)说道。“为了能够使用这些数据，首先必须对所有内容进行校对。” 这将需要大量的工作：对于只有0.1毫米边缘长度的图像堆栈，需要整整11年的时间。“这就是为什么我们需要找到更好的东西的原因，”科恩菲尔德说。Michal Januszewski和Google AI的同事开发的洪水填充网络(FFN)至少在目前是最好的工具。科尔菲尔德(Kornfeld)早在几年前就已经录制了一个来自鸣禽大脑的数据集，他用手工对其进行了部分分析，在这一发展中发挥了重要作用。由人类仔细分析的少数细胞代表了FFN最早学会的基本事实，即它们可以识别出真正的结构突起。根据所学知识，可以用闪电般的速度映射数据集的其余部分。

在Winfried Denk领导的部门中，计算机科学家和生物学家之间的合作并不是什么新鲜事。Google研究小组的负责人Viren Jain于2005年在麻省理工学院攻读博士学位，当时Denk求助于Jain的主管Sebastian Seung。Denk需要Seung的帮助来分析使用Denk部门刚刚开发的方法生成的数据集。当时，科恩菲尔德(Kornfeld)从事编写用于数据可视化和注释的计算机程序的工作。Kornfeld的研究越来越多地将神经生物学和数据科学结合起来，主要负责开发用于自动突触分析的“ SyConn”系统。像FFN一样，该系统对于从鸣禽数据集中提取生物学见解将是必不可少的。Denk将FFN的发展视为连接组学的象征性转折点。数据分析的速度不再落后于电子显微镜成像的速度。

FFN是一种卷积神经网络，是一类特殊的机器学习算法。但是，FFN还具有内部反馈路径，可让它们建立在图像中已经识别的元素之上。这使FFN明显更容易区分相邻图像元素上的内部和外部细胞结构。在学习阶段，FFN不仅学习哪些染色模式表示细胞边界，而且还学习这些边界通常具有什么形式。根据Kornfeld的说法，通过使用FFN，在人工校对所需的时间方面节省的预期费用肯定证明，与当前使用的方法相比，所需的计算能力更高。

现在似乎不再完全无法想象要记录和分析庞大的数据集，甚至整个老鼠或鸟类的大脑。乔根·科恩菲尔德(JörgenKornfeld)表示：“升级肯定在技术上具有挑战性，但是原则上我们现在已经小规模证明了分析所需的一切都可以使用。”

标签： 人工神经网络