Čeho vědci dosáhli

Hlavním výsledkem byl systém s uzavřenou smyčkou (closed-loop), který nestimuloval mozek jen podle pevně daného schématu, ale učil se z jeho vlastních reakcí a své výstupy v reálném čase upravoval. Studie se zúčastnil 27letý muž, který přišel o zrak následkem traumatického poranění mozku. Po dobu šesti měsíců měl v nemocnici IMED Elche ve Španělsku do zrakové kůry dočasně implantováno pole 96 elektrod, což týmu umožnilo mozek současně stimulovat i snímat jeho aktivitu .

Vzorce navržené umělou inteligencí cílovou mozkovou aktivitu reprodukovaly přesněji a spotřebovaly přitom méně elektrického proudu než srovnávané metody – což je zjištění, které by v budoucnu mohlo u podobných zařízení snížit vedlejší účinky i spotřebu energie .

Jak model hlubokého učení fungoval

Hluboká neuronová síť byla natrénována tak, aby předpovídala, jak bude zraková kůra účastníka reagovat na různé kombinace stimulačních parametrů. Důležité je, že model nezahrnoval jen to, které elektrody byly aktivovány a jakým proudem, ale také klidovou aktivitu mozku těsně před každým stimulačním impulsem .

Po natrénování byl model použit obráceně: místo pouhého předpovídání výsledků hledal takové nastavení stimulace, které by s největší pravděpodobností vedlo k žádoucímu vzorci nervové aktivity. Tomuto postupu se říká řízení založené na modelu s uzavřenou smyčkou . Místo univerzálního receptu na stimulaci se systém průběžně přizpůsoboval aktuálnímu stavu mozku.

Reakce mozku versus samotný stimulační signál

Nejdůležitějším zjištěním studie je, že naměřená nervová aktivita mnohem přesněji předpovídala to, co účastník skutečně vnímal (fosfény – záblesky, tvary a barvy), než samotné nastavení stimulace . To znamená, že pouhá znalost toho, které elektrody byly aktivovány a jak silný proud byl použit, k předpovědi vjemu nestačila. Bylo nutné změřit a interpretovat mozkovou odpověď.

Tento výsledek poukazuje na zásadní výzvu neuroprotetiky: signál vyslaný do mozku plně neurčuje vjem, který z něj vzejde . Mozek není pasivní přijímač; jeho momentální stav aktivně utváří to, co vnímáme.

Cesta k personalizovaným zrakovým protézám

Tento rámec ukazuje cestu k nové generaci adaptivních, personalizovaných zrakových protéz, které se průběžně učí neurologickou dynamiku každého uživatele a upravují stimulaci v reálném čase . Klíčové důsledky:

• Dynamická rekalibrace: Systém se dokáže přizpůsobit tomu, jak se výchozí stav mozku mění – řeší tak zásadní problém spolehlivosti, který trápil starší implantáty s pevným protokolem .
• Nižší spotřeba a méně vedlejších účinků: Protože vzorce navržené umělou inteligencí dosahovaly svých cílů s menším elektrickým proudem, budoucí zařízení by mohla být bezpečnější a vydržet déle na jedno nabití baterie .
• Personalizované přizpůsobení: Hlavní výzkumník Michael Beyeler k tomu uvedl: „Užitečná zraková protéza se nemůže spoléhat na pevný recept. V konečném důsledku by se zařízení mělo přizpůsobit člověku, ne naopak.“
• Klinická trajektorie: Navazující fáze španělské studie proveditelnosti mají za cíl posunout tyto kortikální protézy z experimentálních prototypů k životaschopné klinické léčbě slepoty způsobené mrtvicí, neurodegenerativním onemocněním nebo úrazem .

Přestože se studie účastnil pouze jeden člověk, prokazuje zásadní princip, který by mohl změnit způsob, jakým jsou bionické zrakové systémy navrhovány – ze statických stimulátorů na inteligentní, učící se rozhraní, která spolupracují s přirozenou dynamikou mozku.

Čeho vědci dosáhli

Hlavním výsledkem byl systém s uzavřenou smyčkou (closed-loop), který nestimuloval mozek jen podle pevně daného schématu, ale učil se z jeho vlastních reakcí a své výstupy v reálném čase upravoval. Studie se zúčastnil 27letý muž, který přišel o zrak následkem traumatického poranění mozku. Po dobu šesti měsíců měl v nemocnici IMED Elche ve Španělsku do zrakové kůry dočasně implantováno pole 96 elektrod, což týmu umožnilo mozek současně stimulovat i snímat jeho aktivitu .

Vzorce navržené umělou inteligencí cílovou mozkovou aktivitu reprodukovaly přesněji a spotřebovaly přitom méně elektrického proudu než srovnávané metody – což je zjištění, které by v budoucnu mohlo u podobných zařízení snížit vedlejší účinky i spotřebu energie .

Jak model hlubokého učení fungoval

Hluboká neuronová síť byla natrénována tak, aby předpovídala, jak bude zraková kůra účastníka reagovat na různé kombinace stimulačních parametrů. Důležité je, že model nezahrnoval jen to, které elektrody byly aktivovány a jakým proudem, ale také klidovou aktivitu mozku těsně před každým stimulačním impulsem .

Po natrénování byl model použit obráceně: místo pouhého předpovídání výsledků hledal takové nastavení stimulace, které by s největší pravděpodobností vedlo k žádoucímu vzorci nervové aktivity. Tomuto postupu se říká řízení založené na modelu s uzavřenou smyčkou . Místo univerzálního receptu na stimulaci se systém průběžně přizpůsoboval aktuálnímu stavu mozku.

Reakce mozku versus samotný stimulační signál

Nejdůležitějším zjištěním studie je, že naměřená nervová aktivita mnohem přesněji předpovídala to, co účastník skutečně vnímal (fosfény – záblesky, tvary a barvy), než samotné nastavení stimulace . To znamená, že pouhá znalost toho, které elektrody byly aktivovány a jak silný proud byl použit, k předpovědi vjemu nestačila. Bylo nutné změřit a interpretovat mozkovou odpověď.

Tento výsledek poukazuje na zásadní výzvu neuroprotetiky: signál vyslaný do mozku plně neurčuje vjem, který z něj vzejde . Mozek není pasivní přijímač; jeho momentální stav aktivně utváří to, co vnímáme.

Cesta k personalizovaným zrakovým protézám

Tento rámec ukazuje cestu k nové generaci adaptivních, personalizovaných zrakových protéz, které se průběžně učí neurologickou dynamiku každého uživatele a upravují stimulaci v reálném čase . Klíčové důsledky:

• Dynamická rekalibrace: Systém se dokáže přizpůsobit tomu, jak se výchozí stav mozku mění – řeší tak zásadní problém spolehlivosti, který trápil starší implantáty s pevným protokolem .
• Nižší spotřeba a méně vedlejších účinků: Protože vzorce navržené umělou inteligencí dosahovaly svých cílů s menším elektrickým proudem, budoucí zařízení by mohla být bezpečnější a vydržet déle na jedno nabití baterie .
• Personalizované přizpůsobení: Hlavní výzkumník Michael Beyeler k tomu uvedl: „Užitečná zraková protéza se nemůže spoléhat na pevný recept. V konečném důsledku by se zařízení mělo přizpůsobit člověku, ne naopak.“
• Klinická trajektorie: Navazující fáze španělské studie proveditelnosti mají za cíl posunout tyto kortikální protézy z experimentálních prototypů k životaschopné klinické léčbě slepoty způsobené mrtvicí, neurodegenerativním onemocněním nebo úrazem .

Přestože se studie účastnil pouze jeden člověk, prokazuje zásadní princip, který by mohl změnit způsob, jakým jsou bionické zrakové systémy navrhovány – ze statických stimulátorů na inteligentní, učící se rozhraní, která spolupracují s přirozenou dynamikou mozku.