Ce qu’ont accompli les chercheurs

La principale avancée réside dans un système en boucle fermée : au lieu d’appliquer une stimulation fixe, il apprend des réponses du cerveau et ajuste sa sortie en temps réel. L’étude a porté sur un homme de 27 ans ayant perdu la vue à la suite d’un traumatisme crânien. Une matrice temporaire de 96 électrodes a été implantée dans son cortex visuel pendant six mois à l’hôpital IMED Elche en Espagne, permettant à l’équipe de stimuler et d’enregistrer l’activité cérébrale simultanément .

Grâce à ce dispositif, les schémas conçus par l’IA ont reproduit l’activité cérébrale ciblée avec plus de précision et en utilisant moins de courant électrique que les méthodes de comparaison – une découverte qui pourrait réduire les effets secondaires et la consommation d’énergie des futurs dispositifs .

Comment le modèle de deep learning fonctionnait

Le réseau de neurones profond a été entraîné à prédire comment le cortex visuel du participant réagirait à différentes combinaisons de paramètres de stimulation. Point crucial : le modèle ne tenait pas seulement compte des électrodes activées et de l’intensité du courant, mais aussi de l’activité cérébrale de repos immédiatement avant chaque stimulation .

Une fois entraîné, le modèle a été utilisé en sens inverse : au lieu de se contenter de prédire des résultats, il a recherché les réglages de stimulation les plus susceptibles de produire un schéma d’activité neuronale souhaité. C’est ce qu’on appelle une approche de contrôle en boucle fermée basée sur un modèle . Plutôt que d’appliquer une recette de stimulation universelle, le système s’adaptait en permanence à l’état courant du cerveau.

La réponse cérébrale, meilleur indicateur que le signal seul

Le résultat le plus important de l’étude est que l’activité neuronale enregistrée était un prédicteur plus précis de ce que le participant percevait réellement (phosphènes – éclairs, formes et couleurs) que les seuls paramètres de stimulation . Cela signifie que connaître quelles électrodes étaient activées et avec quelle intensité ne suffisait pas à déterminer l’expérience visuelle. Il fallait mesurer et interpréter la réponse propre du cerveau pour prévoir la perception de manière fiable.

Cette observation met en lumière un défi fondamental en neuroprothétique : le signal envoyé au cerveau ne détermine pas entièrement la perception qui en émerge . Le cerveau n’est pas un récepteur passif ; son état, changeant à chaque instant, façonne activement ce que nous voyons.

Vers des prothèses visuelles personnalisées

Ce cadre ouvre la voie à une nouvelle génération de prothèses visuelles adaptatives et personnalisées, capables d’apprendre en continu la dynamique neuronale de chaque utilisateur et d’ajuster la stimulation en temps réel . Les implications clés sont les suivantes :

• Recalibrage dynamique : Le système peut s’adapter aux fluctuations de l’état de base du cerveau, répondant ainsi à un défi majeur de fiabilité qui a longtemps handicapé les implants à protocole fixe .
• Moins d’énergie et moins d’effets secondaires : Les schémas conçus par l’IA atteignant leurs objectifs avec moins de courant, les futurs dispositifs pourraient être plus sûrs et fonctionner plus longtemps sur une seule charge de batterie .
• Adaptation personnalisée : Michael Beyeler, chercheur principal, a déclaré : « Une prothèse visuelle utile ne peut pas reposer sur une recette fixe. En fin de compte, le dispositif doit s’adapter à la personne, et non l’inverse. »
• Parcours clinique : Les phases suivantes de l’essai de faisabilité espagnol visent à faire passer ces prothèses corticales du stade de prototypes expérimentaux à des traitements cliniques viables pour la cécité causée par un AVC, une maladie neurodégénérative ou un traumatisme .

Bien que cette étude n’ait impliqué qu’un seul participant, elle démontre un principe fondamental qui pourrait transformer la conception des systèmes de vision bionique – de simples stimulateurs statiques en interfaces intelligentes et apprenantes, fonctionnant avec la dynamique naturelle du cerveau.

Ce qu’ont accompli les chercheurs

La principale avancée réside dans un système en boucle fermée : au lieu d’appliquer une stimulation fixe, il apprend des réponses du cerveau et ajuste sa sortie en temps réel. L’étude a porté sur un homme de 27 ans ayant perdu la vue à la suite d’un traumatisme crânien. Une matrice temporaire de 96 électrodes a été implantée dans son cortex visuel pendant six mois à l’hôpital IMED Elche en Espagne, permettant à l’équipe de stimuler et d’enregistrer l’activité cérébrale simultanément .

Grâce à ce dispositif, les schémas conçus par l’IA ont reproduit l’activité cérébrale ciblée avec plus de précision et en utilisant moins de courant électrique que les méthodes de comparaison – une découverte qui pourrait réduire les effets secondaires et la consommation d’énergie des futurs dispositifs .

Comment le modèle de deep learning fonctionnait

Le réseau de neurones profond a été entraîné à prédire comment le cortex visuel du participant réagirait à différentes combinaisons de paramètres de stimulation. Point crucial : le modèle ne tenait pas seulement compte des électrodes activées et de l’intensité du courant, mais aussi de l’activité cérébrale de repos immédiatement avant chaque stimulation .

Une fois entraîné, le modèle a été utilisé en sens inverse : au lieu de se contenter de prédire des résultats, il a recherché les réglages de stimulation les plus susceptibles de produire un schéma d’activité neuronale souhaité. C’est ce qu’on appelle une approche de contrôle en boucle fermée basée sur un modèle . Plutôt que d’appliquer une recette de stimulation universelle, le système s’adaptait en permanence à l’état courant du cerveau.

La réponse cérébrale, meilleur indicateur que le signal seul

Le résultat le plus important de l’étude est que l’activité neuronale enregistrée était un prédicteur plus précis de ce que le participant percevait réellement (phosphènes – éclairs, formes et couleurs) que les seuls paramètres de stimulation . Cela signifie que connaître quelles électrodes étaient activées et avec quelle intensité ne suffisait pas à déterminer l’expérience visuelle. Il fallait mesurer et interpréter la réponse propre du cerveau pour prévoir la perception de manière fiable.

Cette observation met en lumière un défi fondamental en neuroprothétique : le signal envoyé au cerveau ne détermine pas entièrement la perception qui en émerge . Le cerveau n’est pas un récepteur passif ; son état, changeant à chaque instant, façonne activement ce que nous voyons.

Vers des prothèses visuelles personnalisées

Ce cadre ouvre la voie à une nouvelle génération de prothèses visuelles adaptatives et personnalisées, capables d’apprendre en continu la dynamique neuronale de chaque utilisateur et d’ajuster la stimulation en temps réel . Les implications clés sont les suivantes :

• Recalibrage dynamique : Le système peut s’adapter aux fluctuations de l’état de base du cerveau, répondant ainsi à un défi majeur de fiabilité qui a longtemps handicapé les implants à protocole fixe .
• Moins d’énergie et moins d’effets secondaires : Les schémas conçus par l’IA atteignant leurs objectifs avec moins de courant, les futurs dispositifs pourraient être plus sûrs et fonctionner plus longtemps sur une seule charge de batterie .
• Adaptation personnalisée : Michael Beyeler, chercheur principal, a déclaré : « Une prothèse visuelle utile ne peut pas reposer sur une recette fixe. En fin de compte, le dispositif doit s’adapter à la personne, et non l’inverse. »
• Parcours clinique : Les phases suivantes de l’essai de faisabilité espagnol visent à faire passer ces prothèses corticales du stade de prototypes expérimentaux à des traitements cliniques viables pour la cécité causée par un AVC, une maladie neurodégénérative ou un traumatisme .

Bien que cette étude n’ait impliqué qu’un seul participant, elle démontre un principe fondamental qui pourrait transformer la conception des systèmes de vision bionique – de simples stimulateurs statiques en interfaces intelligentes et apprenantes, fonctionnant avec la dynamique naturelle du cerveau.