Penyelidik Dartmouth memperkenalkan "onavg," templat permukaan kortikal novel yang meningkatkan ketepatan dan kecekapan kajian neuroimaging. Templat ini, berdasarkan lebih 1,000 imbasan otak, bertujuan untuk merevolusikan penyelidikan neurosains kognitif dan klinikal.
Dalam satu langkah penting untuk neurosains, penyelidik Dartmouth telah melancarkan "OpenNeuro Average" (onavg), templat permukaan kortikal baharu untuk menganalisis data neuroimaging. Kemajuan ini menjanjikan untuk meningkatkan ketepatan dan kecekapan kajian otak, menangani cabaran lama dalam bidang tersebut.
Otak manusia adalah keajaiban kerumitan, mengatur fungsi seperti persepsi, ingatan, bahasa, pemikiran dan emosi. Untuk menyahkod misterinya, saintis bergantung pada neuroimaging, yang merekodkan aktiviti otak semasa pelbagai keadaan. Kajian pengimejan ini sering menggunakan "model permukaan kortikal" untuk memeriksa organisasi berfungsi merentasi lapisan luar otak, korteks serebrum.
Walau bagaimanapun, memandangkan struktur otak berbeza dari orang ke orang, penyelidik memerlukan templat yang konsisten untuk membandingkan data merentas individu. Templat ini bertujuan untuk menentukan lokasi anatomi yang setara, yang dikenali sebagai "bucu," walaupun bentuk otak individu yang berbeza.
Templat permukaan kortikal tradisional, berdasarkan data daripada hanya 40 otak, telah mempengaruhi pengimejan neuro selama 25 tahun. Templat onavg mengubah paradigma ini, menggunakan anatomi 1,031 otak daripada 30 set data dalam OpenNeuro, platform sumber terbuka untuk data pengimejan neuro.
“Templat permukaan kortikal kami, onavg, adalah yang pertama mencuba bahagian otak yang berbeza secara seragam,” Feilong Ma, pengarang utama dan felo pasca doktoral di Dartmouth's Haxby Lab, berkata dalam Siaran akhbar. "Ia adalah peta yang kurang berat sebelah yang lebih cekap dari segi pengiraan."
Onavg mengatasi model sebelumnya dengan menyediakan perwakilan yang sekata bagi korteks dan menggunakan pendekatan geometri untuk menentukan bucu kortikal. Ini berbeza dengan kaedah berasaskan sfera terdahulu yang memperkenalkan bias, dengan itu mengehadkan ketepatan analisis neuroimaging.
Kelebihan onavg yang ketara ialah keupayaannya untuk menghasilkan hasil yang tepat dengan data yang lebih sedikit. Memandangkan cabaran kos dan logistik yang tinggi untuk memperoleh data pengimejan neuro - terutamanya daripada populasi klinikal yang mempunyai penyakit yang jarang berlaku - kecekapan ini adalah pengubah permainan.
“Sangat mahal untuk mendapatkan data melalui pengimejan neuro dan untuk sesetengah populasi klinikal — seperti jika anda sedang mengkaji penyakit yang jarang berlaku — mungkin sukar atau mustahil untuk memperoleh sejumlah besar data, jadi keupayaan untuk mengakses hasil yang lebih baik dengan kurang data. adalah aset,” tambah Ma.
Pembangunan templat dengan ketara boleh meningkatkan kebolehulangan dan kebolehulangan kajian saintifik saraf, menangani isu kritikal dalam penyelidikan moden.
"Dengan penggunaan data yang lebih cekap, templat kami berpotensi meningkatkan kebolehulangan dan kebolehulangan keputusan dalam kajian akademik," tambah Ma.
James Haxby, pengarang bersama dan profesor di Jabatan Psikologi dan Sains Otak Dartmouth, menekankan aplikasi luas inovasi ini.
"Saya berpendapat bahawa onavg mewakili kemajuan metodologi yang mempunyai aplikasi luas merentasi semua aspek kognitif dan neurosains klinikal," katanya dalam siaran berita.
Haxby menjangka templat itu akan memainkan peranan penting dalam pelbagai bidang penyelidikan, daripada mengkaji proses deria seperti penglihatan dan pendengaran kepada menyiasat perbezaan individu dan gangguan neurologi seperti autisme dan Alzheimer.
"Kami fikir ia akan memberi impak yang luas dan mendalam dalam bidang ini," tambah Haxby.
Dengan sumbangan daripada Jiahui Guo dari Universiti Texas di Dallas dan Maria Ida Gobbini dari Universiti Bologna, templat onavg merangkumi usaha kolaboratif untuk memajukan sempadan sains saraf.
Untuk mendapatkan maklumat lanjut tentang penyelidikan terobosan ini, the kajian penuh terdapat dalam jurnal Nature Methods.