Deep Learning Bikin 'Mata Bionik' Makin Akurat: Uji Coba pada Manusia Tunanetra

Apa yang Dicapai Peneliti

Pencapaian utamanya adalah sistem loop-tertutup yang tidak hanya merangsang otak dengan pola tetap, tetapi belajar dari respons otak itu sendiri dan menyesuaikan output-nya secara real-time. Studi ini melibatkan seorang pria berusia 27 tahun yang kehilangan penglihatannya akibat cedera otak traumatis. Ia memiliki susunan elektroda 96 saluran yang ditanam sementara di korteks visualnya selama enam bulan di Rumah Sakit IMED Elche, Spanyol. Hal ini memungkinkan tim untuk merangsang dan merekam aktivitas otak secara bersamaan .

Dengan pengaturan ini, pola yang dirancang AI berhasil mereproduksi aktivitas otak target dengan lebih akurat dan menggunakan arus listrik yang lebih rendah dibandingkan metode pembanding. Temuan ini berpotensi mengurangi efek samping dan konsumsi daya pada perangkat masa depan .

Cara Kerja Model Deep-Learning

Jaringan saraf tiruan (deep neural network) dilatih untuk memprediksi bagaimana korteks visual partisipan akan merespons berbagai kombinasi parameter stimulasi. Yang penting, model ini memperhitungkan lebih dari sekadar elektroda mana yang diaktifkan dan seberapa besar arusnya—model juga memasukkan aktivitas istirahat otak sesaat sebelum setiap peristiwa stimulasi .

Setelah dilatih, model digunakan secara terbalik: alih-alih hanya memprediksi hasil, model mencari pengaturan stimulasi yang paling mungkin menghasilkan pola aktivitas saraf yang diinginkan. Ini dikenal sebagai pendekatan kontrol berbasis model loop-tertutup . Alih-alih menerapkan resep stimulasi satu-untuk-semua, sistem terus-menerus menyesuaikan output-nya berdasarkan kondisi otak saat ini.

Respons Otak vs. Sinyal Stimulasi Saja

Temuan paling penting dari studi ini adalah bahwa aktivitas saraf yang terekam adalah prediktor yang lebih akurat dari apa yang sebenarnya dirasakan partisipan (fosfen—kilatan, bentuk, dan warna) dibandingkan pengaturan stimulasi saja . Ini berarti mengetahui elektroda mana yang diaktifkan dan seberapa besar arus yang diberikan tidak sepenuhnya menentukan pengalaman visual. Respons otak sendiri harus diukur dan diinterpretasikan untuk memprediksi persepsi secara andal.

Hasil ini menyoroti tantangan inti dalam neuroprostetik: sinyal yang dikirim ke otak tidak sepenuhnya menentukan persepsi yang muncul darinya . Otak bukanlah penerima pasif; keadaan otak dari waktu ke waktu secara aktif membentuk apa yang kita lihat.

Jalan Menuju Prostesis Visual yang Dipersonalisasi

Kerangka kerja ini mengarah pada generasi baru prostesis visual adaptif dan personal yang terus-menerus mempelajari dinamika saraf setiap pengguna dan menyesuaikan stimulasi secara real-time . Implikasi utamanya meliputi:

• Kalibrasi ulang dinamis: Sistem dapat beradaptasi saat kondisi dasar otak berfluktuasi, mengatasi tantangan keandalan utama yang telah menghantui implan protokol tetap sebelumnya .
• Daya lebih rendah dan efek samping berkurang: Karena pola yang dirancang AI mencapai tujuannya dengan arus listrik yang lebih rendah, perangkat masa depan bisa lebih aman dan bertahan lebih lama dengan sekali pengisian daya baterai .
• Adaptasi personal: Peneliti utama Michael Beyeler menyatakan: "Prostesis visual yang berguna tidak bisa mengandalkan resep tetap. Pada akhirnya, perangkat harus beradaptasi dengan orangnya, bukan sebaliknya."
• Lintasan klinis: Fase selanjutnya dari uji coba kelayakan di Spanyol bertujuan untuk memindahkan prostesis kortikal ini dari prototipe eksperimental menuju perawatan klinis yang layak untuk kebutaan yang disebabkan oleh stroke, penyakit neurodegeneratif, atau trauma .

Meskipun studi ini hanya melibatkan satu partisipan, studi ini menunjukkan prinsip fundamental yang dapat mengubah cara sistem penglihatan bionik dirancang—dari stimulator statis menjadi antarmuka cerdas yang belajar dan bekerja dengan dinamika alami otak.