通过回归神经网络可以描绘出人类神经元图谱

谷歌公司和德国马普学会的研究人员联合开发出了一种回归神经网络，能够描绘出人类大脑的神经元图谱。

刻画神经系统中的生物网络结构是一个被称为联接组学（connectomics）的研究领域，它是计算密集型的。人的大脑大约包含由100万亿个神经突触连接起来的860亿个神经元，如果对1立方毫米的人脑组织进行成像，可以产生超过1000 TB的数据。

幸运的是，人工智能可以提供帮助。

Google和Max Planck神经生物学研究所的科学家在《自然方法》杂志上发表了一篇论文（高精度自动重建神经元与洪水填充网络），介绍了一种循环神经网络—一种常用于手写和语音识别的机器学习算法—已经针对联通组学的分析工作进行了专门优化。

最先将机器学习用于联通组学的并不是谷歌的研究人员——2018年3月，英特尔与麻省理工学院的计算机科学和人工智能实验室合作开发了“下一代”脑图像处理流水线。但谷歌声称他们模型的准确性比以前的深度学习技术提高了“一个数量级”。

研究人员采用了一种边缘检测算法来识别神经突起的边界（生长于神经元体上的结构），结合反馈卷积神经网络—递归神经网络的一个子类别—将扫描图像中能够描述神经元的像素组合在一起并进行突出显示。

为了保持准确性，该团队提出了一个度量值“预期运行长度”（expected run length，ERL）。如果给定大脑3D图像中的一个带有随机神经元的随机点，这个度量值能够测量算法在不出错的情况下跟踪神经元的距离。该研究小组报告说，在对斑胸草雀的大脑进行的一次100万立方微米的扫描中，该模型的表现比以前的算法“好得多”。

谷歌的研究人员和论文的主要作者Viren Jain与Michal Januszewski在一篇博文中写道：“通过将这些自动化结果与修复剩余错误所需的少量额外人力相结合，Max Planck研究所的研究人员现在能够研究鸣鸟的联接组（connectome），以获得对斑胸草雀的歌唱机理的新见解，并测试与这种鸟如何学习歌唱相关的理论。”

除了论文之外，该团队还在Github上发布了其模型的TensorFlow代码，以及用于可视化数据集和改进重建结果的WebGL 3D软件。他们计划在未来对该系统做进一步完善，目的是实现突触解析过程的完全自动化，并“为Max Planck研究所和其他地方的项目做出贡献。”