Hvad forskerne opnåede

Den centrale bedrift var et lukket kredsløbssystem, der ikke blot stimulerede hjernen med et fast mønster, men lærte af hjernens egne reaktioner og justerede sin output i realtid. Studiet involverede en 27-årig mand, der mistede synet på grund af en traumatisk hjerneskade. Han fik midlertidigt indopereret et 96-kanals elektrodearray i sin visuelle cortex i seks måneder på Hospital IMED Elche i Spanien, hvilket gjorde det muligt for holdet både at stimulere og registrere hjerneaktivitet samtidigt .

Med dette setup reproducerede de AI-designede mønstre den målrettede hjerneaktivitet mere præcist og brugte mindre elektrisk strøm end sammenligningsmetoder – et resultat, der kan reducere bivirkninger og strømforbrug i fremtidige enheder .

Sådan fungerede deep learning-modellen

Det dybe neurale netværk blev trænet til at forudsige, hvordan deltagerens visuelle cortex ville reagere på forskellige kombinationer af stimuleringsparametre. Kritisk set tog modellen højde for mere end blot hvilke elektroder der blev aktiveret og med hvilken strømstyrke – den inkorporerede også hjernens hvileaktivitet umiddelbart før hver stimulation .

Når modellen var trænet, blev den brugt i omvendt retning: I stedet for kun at forudsige resultater, søgte den efter de stimuleringsindstillinger, der mest sandsynligt ville producere et ønsket mønster af neural aktivitet. Dette er kendt som en closed-loop, modelbaseret kontroltilgang . I stedet for en standardiseret stimuleringsopskrift tilpassede systemet kontinuerligt sin output baseret på hjernens aktuelle tilstand.

Hjernens respons vs. stimulationssignalet alene

Studiets vigtigste resultat er, at registreret neural aktivitet var en mere præcis indikator for, hvad deltageren faktisk oplevede (fosfener – lysglimt, former og farver) end stimuleringsindstillingerne alene . Det betyder, at det at vide hvilke elektroder der blev aktiveret, og hvor meget strøm der blev leveret, ikke fuldt ud bestemte den visuelle oplevelse. Hjernens egen reaktion måtte måles og fortolkes for pålideligt at forudsige perception.

Dette resultat fremhæver en grundlæggende udfordring inden for neuroprotetik: Det signal, der sendes ind i hjernen, bestemmer ikke fuldstændigt den perception, der opstår . Hjernen er ikke en passiv modtager; dens momentvise tilstand former aktivt, hvad vi ser.

Vejen mod personlige synsproteser

Rammeværket peger mod en ny generation af adaptive, personlige synsproteser, der kontinuerligt lærer fra hver brugers neurale dynamik og justerer stimuleringen i realtid . Vigtige implikationer inkluderer:

• Dynamisk genkalibrering: Systemet kan tilpasse sig, efterhånden som hjernens basistilstand svinger, hvilket adresserer en stor pålidelighedsudfordring, der har plaget tidligere implantater med faste protokoller .
• Lavere strømforbrug og færre bivirkninger: Fordi de AI-designede mønstre opnåede deres mål med mindre elektrisk strøm, kan fremtidige enheder være sikrere og have længere batterilevetid .
• Personlig tilpasning: Forskningsleder Michael Beyeler udtalte: "En anvendelig synsprotese kan ikke stole på en fast opskrift. I sidste ende skal enheden tilpasse sig personen, ikke omvendt."
• Klinisk forløb: Efterfølgende faser af det spanske gennemførlighedsforsøg sigter mod at flytte disse corticale proteser fra eksperimentelle prototyper til bæredygtige kliniske behandlinger for blindhed forårsaget af slagtilfælde, neurodegenerative sygdomme eller traumer .

Selvom dette studie kun involverede en enkelt deltager, demonstrerer det et grundlæggende princip, der kan transformere, hvordan bioniske synssystemer designes – fra statiske stimulatorer til intelligente, lærende grænseflader, der arbejder med hjernens naturlige dynamik.

Hvad forskerne opnåede

Den centrale bedrift var et lukket kredsløbssystem, der ikke blot stimulerede hjernen med et fast mønster, men lærte af hjernens egne reaktioner og justerede sin output i realtid. Studiet involverede en 27-årig mand, der mistede synet på grund af en traumatisk hjerneskade. Han fik midlertidigt indopereret et 96-kanals elektrodearray i sin visuelle cortex i seks måneder på Hospital IMED Elche i Spanien, hvilket gjorde det muligt for holdet både at stimulere og registrere hjerneaktivitet samtidigt .

Med dette setup reproducerede de AI-designede mønstre den målrettede hjerneaktivitet mere præcist og brugte mindre elektrisk strøm end sammenligningsmetoder – et resultat, der kan reducere bivirkninger og strømforbrug i fremtidige enheder .

Sådan fungerede deep learning-modellen

Det dybe neurale netværk blev trænet til at forudsige, hvordan deltagerens visuelle cortex ville reagere på forskellige kombinationer af stimuleringsparametre. Kritisk set tog modellen højde for mere end blot hvilke elektroder der blev aktiveret og med hvilken strømstyrke – den inkorporerede også hjernens hvileaktivitet umiddelbart før hver stimulation .

Når modellen var trænet, blev den brugt i omvendt retning: I stedet for kun at forudsige resultater, søgte den efter de stimuleringsindstillinger, der mest sandsynligt ville producere et ønsket mønster af neural aktivitet. Dette er kendt som en closed-loop, modelbaseret kontroltilgang . I stedet for en standardiseret stimuleringsopskrift tilpassede systemet kontinuerligt sin output baseret på hjernens aktuelle tilstand.

Hjernens respons vs. stimulationssignalet alene

Studiets vigtigste resultat er, at registreret neural aktivitet var en mere præcis indikator for, hvad deltageren faktisk oplevede (fosfener – lysglimt, former og farver) end stimuleringsindstillingerne alene . Det betyder, at det at vide hvilke elektroder der blev aktiveret, og hvor meget strøm der blev leveret, ikke fuldt ud bestemte den visuelle oplevelse. Hjernens egen reaktion måtte måles og fortolkes for pålideligt at forudsige perception.

Dette resultat fremhæver en grundlæggende udfordring inden for neuroprotetik: Det signal, der sendes ind i hjernen, bestemmer ikke fuldstændigt den perception, der opstår . Hjernen er ikke en passiv modtager; dens momentvise tilstand former aktivt, hvad vi ser.

Vejen mod personlige synsproteser

Rammeværket peger mod en ny generation af adaptive, personlige synsproteser, der kontinuerligt lærer fra hver brugers neurale dynamik og justerer stimuleringen i realtid . Vigtige implikationer inkluderer:

• Dynamisk genkalibrering: Systemet kan tilpasse sig, efterhånden som hjernens basistilstand svinger, hvilket adresserer en stor pålidelighedsudfordring, der har plaget tidligere implantater med faste protokoller .
• Lavere strømforbrug og færre bivirkninger: Fordi de AI-designede mønstre opnåede deres mål med mindre elektrisk strøm, kan fremtidige enheder være sikrere og have længere batterilevetid .
• Personlig tilpasning: Forskningsleder Michael Beyeler udtalte: "En anvendelig synsprotese kan ikke stole på en fast opskrift. I sidste ende skal enheden tilpasse sig personen, ikke omvendt."
• Klinisk forløb: Efterfølgende faser af det spanske gennemførlighedsforsøg sigter mod at flytte disse corticale proteser fra eksperimentelle prototyper til bæredygtige kliniske behandlinger for blindhed forårsaget af slagtilfælde, neurodegenerative sygdomme eller traumer .

Selvom dette studie kun involverede en enkelt deltager, demonstrerer det et grundlæggende princip, der kan transformere, hvordan bioniske synssystemer designes – fra statiske stimulatorer til intelligente, lærende grænseflader, der arbejder med hjernens naturlige dynamik.