冲绳科学技术学院（OIST）研究生大学的一项研究表明，使用机器学习可以加速大脑测绘技术，以此来解开人类大脑的奥秘，以更好地理解帕金森氏病或阿尔茨海默氏病等神经系统或精神疾病发生的原因和对大脑的影响。

冲绳科技大学研究生院（OIST）神经计算部门负责人Kenya Doya教授说，大脑的“连接体”对于充分了解大脑及其进入大脑之前执行的所有复杂过程至关重要。

为了识别连接体，研究人员追踪了遍布整个大脑的神经细胞纤维。

在动物实验中，科学家可以将荧光示踪剂注入大脑中的多个点，并成像这些点延伸出的神经纤维。多亚教授解释说：“这个过程需要分析许多动物的数百个大脑切片。并且由于它具有侵入性，因此无法在人类中使用。”

但是，磁共振成像（MRI）的进步使得无创地估计连接组成为可能。这种技术称为基于扩散MRI的纤维跟踪，它利用强大的磁场跟踪水分子沿神经纤维移动或扩散时的信号。然后，一种计算机算法使用这些水信号来估计整个大脑中神经纤维的路径，但是目前，该算法并未产生令人信服的结果。

OIST神经计算部门的第一作者，博士后研究员Carlos Gutierrez博士说：“连接组可能被假阳性所支配，这意味着它们显示的神经连接并不存在。”

此外，该算法还难以检测在大脑偏远区域之间伸展的神经纤维。古铁雷斯博士说，这些长距离连接对于理解大脑的功能最重要。

2013年，科学家发起了日本政府主导的名为Brain / MINDS（疾病研究综合神经技术的大脑定位）项目，以绘制mar猴的小非人类灵长类动物的大脑图，小灵长类动物的大脑与人的大脑具有相似的结构。

Brain / MINDS项目旨在通过使用非侵入性MRI成像技术和侵入性荧光示踪剂技术来创建mar猴大脑的完整连接体。“这是我们比较来自同一大脑的结果的真正难得的机会通过这两种技术，确定需要设置哪些参数以生成最准确的基于MRI的连接器，”古铁雷斯博士说。

在当前的研究中，研究人员着手对两种不同的广泛使用的算法的参数进行微调，以使它们能够可靠地检测远距离光纤。他们还希望在机器智能的帮助下，确保算法能够识别出尽可能多的光纤，同时最小化精确定位实际不存在的光纤。

为了确定最佳参数，研究人员使用了一种机器算法。纤维跟踪算法使用在每个连续世代中发生更改或突变的参数，从扩散MRI数据估算出连接体。这些参数相互竞争，而最好的参数，即那些产生与荧光示踪剂检测到的神经网络最匹配的连接基因组的参数。

研究人员说，研究人员使用荧光示踪剂和MRI数据从十个不同的mar猴大脑中测试了算法，这并不容易。

在“适者生存”过程的多代过程中，为每个大脑运行的算法相互交换了最佳参数，从而使算法能够确定一组更相似的参数。在此过程的最后，研究人员采用最佳参数并将其平均，以创建一个共享集。

研究小组发现，与先前使用的默认参数相比，具有优化参数通用集的算法还在猴子的大脑中生成了更准确的连接组，而猴子大脑不是原始训练集的一部分。

研究人员说，通过使用默认参数和优化参数的算法构建的图像之间，存在的显着差异显示了有关基于MRI的连接组研究的明显警告。

未来，科学家们希望使使用机器智能的过程更快地识别出最佳参数，并使用改进的算法来更准确地确定患有神经系统或精神疾病的大脑的连接体。

Gutierrez博士说：“最终，基于扩散MRI的纤维跟踪可用于绘制整个人的大脑图，并查明健康和患病大脑之间的差异。这可使我们更进一步地学习如何治疗这些疾病。”