Syväoppiminen tekee bionisesta näöstä tarkempaa – sokea koehenkilö sai uudenlaisen implantin

Mitä tutkijat saavuttivat

Keskeinen saavutus oli suljetun silmukan järjestelmä, joka ei vain stimuloinut aivoja kiinteällä kuviolla, vaan oppi aivojen omista vasteista ja sääti tuotostaan reaaliajassa. Tutkimukseen osallistui 27-vuotias mies, joka menetti näkönsä traumaattisen aivovamman seurauksena. Hänellä oli väliaikaisesti istutettu 96-kanavainen elektrodiryhmä näköaivokuoreensa kuuden kuukauden ajaksi Espanjan Hospital IMED Elchessä, mikä mahdollisti ryhmän sekä stimuloida että tallentaa aivoista samanaikaisesti .

Tätä asetelmaa käyttäen tekoälyn suunnittelemat kuviot toistivat kohdennettua aivotoimintaa tarkemmin ja käyttivät vähemmän sähkövirtaa kuin vertailumenetelmät – havainto, joka voisi vähentää tulevien laitteiden sivuvaikutuksia ja virrankulutusta .

Miten syväoppimismalli toimi

Syvä neuroverkko koulutettiin ennustamaan, miten osallistujan näköaivokuori reagoi erilaisiin stimulaatioparametrien yhdistelmiin. Kriittisesti malli huomioi muutakin kuin sen, mitkä elektrodit aktivoitiin ja millä virranvoimakkuudella – se otti huomioon myös aivojen lepoaktivaation välittömästi ennen kutakin stimulaatiotapahtumaa .

Koulutuksen jälkeen mallia käytettiin käänteisesti: sen sijaan, että se vain ennusti tuloksia, se etsi stimulaatioasetuksia, jotka todennäköisimmin tuottaisivat halutunlaisen hermotoiminnan kuvion. Tämä tunnetaan suljetun silmukan, mallipohjaisena säätömenetelmänä . Sen sijaan, että järjestelmä olisi käyttänyt yhtä kaikille sopivaa stimulaatioreseptiä, se mukautti tuotostaan jatkuvasti aivojen senhetkisen tilan perusteella.

Aivovaste vs. pelkkä stimulaatiosignaali

Tutkimuksen tärkein havainto on, että tallennettu hermotoiminta ennusti tarkemmin, mitä osallistuja todella koki (fosfeenit – välähdykset, muodot ja värit), kuin pelkät stimulaatioasetukset . Tämä tarkoittaa, että tieto siitä, mitkä elektrodit aktivoitiin ja kuinka paljon virtaa annettiin, ei täysin määrittänyt visuaalista kokemusta. Aivojen oma vaste piti mitata ja tulkita, jotta havaintoa voitiin luotettavasti ennustaa.

Tämä tulos korostaa neuroproteettista ydinkysymystä: aivoihin lähetetty signaali ei täysin määrää siitä syntyvää havaintoa . Aivot eivät ole passiivinen vastaanottaja; niiden hetkestä toiseen vaihteleva tila muokkaa aktiivisesti sitä, mitä näemme.

Tie kohti henkilökohtaisia näköproteeseja

Viitekehys viittaa uuteen sukupolveen mukautuvia, henkilökohtaisia näköproteeseja, jotka oppivat jatkuvasti kunkin käyttäjän aivodynamiikkaa ja säätävät stimulaatiota reaaliajassa . Keskeisiä vaikutuksia ovat:

• Dynaaminen uudelleenkalibrointi: Järjestelmä voi mukautua aivojen perustilan vaihdellessa, mikä ratkaisee aiemmin kiinteitä protokollia vaivanneen luotettavuusongelman .
• Pienempi virrankulutus ja vähemmän sivuvaikutuksia: Koska tekoälyn suunnittelemat kuviot saavuttivat tavoitteensa pienemmällä sähkövirralla, tulevat laitteet voisivat olla turvallisempia ja toimia pidempään yhdellä akunlatauksella .
• Henkilökohtainen mukautuminen: Johtava tutkija Michael Beyeler totesi: "Hyödyllinen näköproteesi ei voi perustua kiinteään reseptiin. Laitteen pitäisi mukautua ihmiseen, ei toisinpäin."
• Kliininen kehityssuunta: Espanjalaisen toteutettavuustutkimuksen seuraavat vaiheet pyrkivät siirtämään nämä aivokuoren proteesit kokeellisista prototyypeistä toimiviksi kliinisiksi hoidoiksi, jotka on tarkoitettu aivohalvauksen, hermorappeumasairauden tai trauman aiheuttamaan sokeuteen .

Vaikka tutkimus koski vain yhtä osallistujaa, se osoittaa periaatteen, joka voi muuttaa bionisten näköjärjestelmien suunnittelua – staattisista stimulaattoreista älykkäiksi, oppiviksi rajapinnoiksi, jotka toimivat yhdessä aivojen luonnollisen dynamiikan kanssa.