KI macht bionisches Sehen für blinden Patienten präziser – Durchbruch in der Neuroprothetik

Was die Forscher erreichten

Das Kernstück der Arbeit ist ein geschlossener Regelkreis (Closed-Loop-System), der nicht einfach ein festes Stimulationsmuster abspielt, sondern aus den eigenen Reaktionen des Gehirns lernt und seine Ausgabe in Echtzeit anpasst. Beteiligt war ein 27-jähriger Mann, der durch ein Schädel-Hirn-Trauma sein Augenlicht verloren hatte. Im Rahmen einer klinischen Studie am Hospital IMED Elche in Spanien wurde ihm für sechs Monate ein 96-Kanal-Elektroden-Array temporär in den visuellen Kortex implantiert. Dies ermöglichte es, gleichzeitig Stimulation und Hirnaktivität aufzuzeichnen .

Die Ergebnisse sind vielversprechend: Die KI-entworfenen Muster riefen die gewünschte neuronale Aktivität deutlich genauer hervor und benötigten dabei weniger elektrischen Strom als die Vergleichsmethoden. Das könnte künftig Nebenwirkungen reduzieren und die Batterielaufzeit implantierbarer Geräte verlängern .

Wie das Deep-Learning-Modell funktionierte

Das tiefe neuronale Netz wurde darauf trainiert, vorherzusagen, wie der visuelle Kortex des Probanden auf verschiedene Kombinationen von Stimulationsparametern reagieren würde. Entscheidend war, dass das Modell nicht nur berücksichtigte, welche Elektroden aktiviert wurden und mit welcher Stromstärke, sondern auch die Ruheaktivität des Gehirns unmittelbar vor jedem Stimulationsereignis .

Nach dem Training wurde das Modell umgekehrt eingesetzt: Es suchte nicht mehr nur nach Vorhersagen, sondern ermittelte diejenigen Stimulationseinstellungen, die mit höchster Wahrscheinlichkeit ein gewünschtes Aktivitätsmuster im Gehirn erzeugen würden – eine Form der modellbasierten Steuerung . So passte sich das System kontinuierlich dem aktuellen Zustand des Gehirns an.

Gehirnreaktion vs. reines Stimulationssignal

Die wichtigste Erkenntnis der Studie: Die aufgezeichnete neuronale Aktivität war ein deutlich besserer Prädiktor dafür, was der Proband tatsächlich wahrnahm (sogenannte Phosphene – Lichtblitze, Formen und Farben), als die bloßen Stimulationseinstellungen . Mit anderen Worten: Selbst wenn man genau wusste, welche Elektroden mit welcher Stromstärke aktiviert wurden, ließ sich daraus nicht vollständig ableiten, was der Patient sah. Erst die Messung und Interpretation der tatsächlichen Hirnreaktion erlaubte eine zuverlässige Vorhersage .

Dieses Ergebnis unterstreicht eine grundlegende Herausforderung der Neuroprothetik: Das Signal, das in das Gehirn gesandt wird, bestimmt nicht vollständig die Wahrnehmung, die daraus entsteht. Das Gehirn ist kein passiver Empfänger – sein momentaner Zustand formt aktiv das, was wir sehen .

Der Weg zu personalisierten Sehprothesen

Das vorgestellte Konzept weist den Weg zu einer neuen Generation intelligenter, adaptiver Sehprothesen, die ständig die neuronale Dynamik des Nutzers lernen und die Stimulation in Echtzeit anpassen . Die wichtigsten Implikationen sind:

• Dynamische Neukalibrierung: Das System kann sich an veränderliche Grundzustände des Gehirns anpassen und löst damit ein zentrales Zuverlässigkeitsproblem früherer, starrer Implantate .
• Weniger Strom, weniger Nebenwirkungen: Die KI-Muster erreichten ihre Ziele mit geringerem Stromverbrauch, was künftig sowohl die Sicherheit als auch die Akkulaufzeit verbessern könnte .
• Personalisierte Anpassung: Der leitende Forscher Michael Beyeler (UCSB) betonte: „Eine nützliche Sehprothese kann sich nicht auf ein festes Rezept verlassen. Letztendlich muss sich das Gerät an den Menschen anpassen – nicht umgekehrt.”
• Klinische Perspektive: Die nächsten Phasen der spanischen Machbarkeitsstudie zielen darauf ab, diese Kortexprothesen von experimentellen Prototypen zu einer brauchbaren klinischen Behandlung für Erblindungen durch Schlaganfall, neurodegenerative Erkrankungen oder Traumata weiterzuentwickeln .

Obwohl die Studie zunächst nur mit einem Teilnehmer durchgeführt wurde, zeigt sie ein grundlegendes Prinzip auf: Die Zukunft der bionischen Sehhilfen liegt nicht in starren Stimulatoren, sondern in intelligenten, lernfähigen Schnittstellen, die im Einklang mit der natürlichen Dynamik des Gehirns arbeiten.