Il risultato dei ricercatori

Il risultato principale è stato un sistema a circuito chiuso che non si limitava a stimolare il cervello con uno schema fisso, ma imparava dalle risposte del cervello stesso e adattava la propria uscita in tempo reale. Lo studio ha coinvolto un uomo di 27 anni che aveva perso la vista a causa di un trauma cranico. Per sei mesi, presso l'Hospital IMED Elche in Spagna, gli è stato impiantato temporaneamente nella corteccia visiva un array di 96 elettrodi, permettendo al team di stimolare e registrare simultaneamente l'attività cerebrale .

Grazie a questa configurazione, i modelli di stimolazione progettati dall'IA hanno riprodotto l'attività cerebrale target in modo più accurato e utilizzando una corrente elettrica inferiore rispetto ai metodi di confronto. Questo risultato potrebbe ridurre gli effetti collaterali e il consumo energetico dei futuri dispositivi .

Come funziona il modello di deep learning

La rete neurale profonda è stata addestrata per prevedere come la corteccia visiva del partecipante avrebbe reagito a diverse combinazioni di parametri di stimolazione. Un aspetto fondamentale è che il modello teneva conto non solo di quali elettrodi venivano attivati e con quale intensità di corrente, ma anche dell'attività cerebrale di base immediatamente precedente a ogni evento di stimolazione .

Una volta addestrato, il modello è stato utilizzato in modalità inversa: invece di limitarsi a prevedere i risultati, cercava le impostazioni di stimolazione più probabili per produrre un modello di attività neurale desiderato. Questo approccio, noto come controllo a circuito chiuso basato su modello, permette al sistema di adattare continuamente la propria uscita in base allo stato corrente del cervello, anziché applicare una ricetta di stimolazione standardizzata .

Risposta del cervello vs. segnale di stimolazione

Il risultato più importante dello studio è che l'attività neurale registrata era un predittore più accurato di ciò che il partecipante percepiva realmente (fosfeni: lampi, forme e colori) rispetto ai soli parametri di stimolazione . Ciò significa che sapere quali elettrodi erano stati attivati e con quanta corrente non era sufficiente per determinare l'esperienza visiva. Per prevedere in modo affidabile la percezione, era necessario misurare e interpretare la risposta del cervello stesso.

Questo risultato evidenzia una sfida centrale nel campo delle neuroprotesi: il segnale inviato al cervello non determina completamente la percezione che ne emerge . Il cervello non è un ricevitore passivo; il suo stato momento per momento modella attivamente ciò che vediamo.

Il futuro delle protesi visive personalizzate

Questo quadro metodologico apre la strada a una nuova generazione di protesi visive adattive e personalizzate, capaci di apprendere continuamente le dinamiche neurali di ciascun utente e di regolare la stimolazione in tempo reale . Le implicazioni principali includono:

• Ricalibrazione dinamica: il sistema può adattarsi alle fluttuazioni dello stato cerebrale di base, risolvendo un importante problema di affidabilità che ha afflitto i precedenti impianti a protocollo fisso .
• Minore potenza ed effetti collaterali: poiché i modelli progettati dall'IA raggiungono i loro obiettivi con una corrente elettrica inferiore, i futuri dispositivi potrebbero essere più sicuri e funzionare più a lungo con una singola carica della batteria .
• Adattamento personalizzato: come ha dichiarato il ricercatore capo Michael Beyeler: "Una protesi visiva utile non può basarsi su una ricetta fissa. In definitiva, il dispositivo deve adattarsi alla persona, non il contrario."
• Percorso clinico: le fasi successive dello studio di fattibilità spagnolo mirano a trasformare queste protesi corticali da prototipi sperimentali in trattamenti clinici validi per la cecità causata da ictus, malattie neurodegenerative o traumi .

Sebbene questo studio abbia coinvolto un solo partecipante, dimostra un principio fondamentale che potrebbe rivoluzionare il modo in cui i sistemi di visione bionica vengono progettati: da stimolatori statici a interfacce intelligenti e apprenditive che collaborano con le dinamiche naturali del cervello.

Il risultato dei ricercatori

Il risultato principale è stato un sistema a circuito chiuso che non si limitava a stimolare il cervello con uno schema fisso, ma imparava dalle risposte del cervello stesso e adattava la propria uscita in tempo reale. Lo studio ha coinvolto un uomo di 27 anni che aveva perso la vista a causa di un trauma cranico. Per sei mesi, presso l'Hospital IMED Elche in Spagna, gli è stato impiantato temporaneamente nella corteccia visiva un array di 96 elettrodi, permettendo al team di stimolare e registrare simultaneamente l'attività cerebrale .

Grazie a questa configurazione, i modelli di stimolazione progettati dall'IA hanno riprodotto l'attività cerebrale target in modo più accurato e utilizzando una corrente elettrica inferiore rispetto ai metodi di confronto. Questo risultato potrebbe ridurre gli effetti collaterali e il consumo energetico dei futuri dispositivi .

Come funziona il modello di deep learning

La rete neurale profonda è stata addestrata per prevedere come la corteccia visiva del partecipante avrebbe reagito a diverse combinazioni di parametri di stimolazione. Un aspetto fondamentale è che il modello teneva conto non solo di quali elettrodi venivano attivati e con quale intensità di corrente, ma anche dell'attività cerebrale di base immediatamente precedente a ogni evento di stimolazione .

Una volta addestrato, il modello è stato utilizzato in modalità inversa: invece di limitarsi a prevedere i risultati, cercava le impostazioni di stimolazione più probabili per produrre un modello di attività neurale desiderato. Questo approccio, noto come controllo a circuito chiuso basato su modello, permette al sistema di adattare continuamente la propria uscita in base allo stato corrente del cervello, anziché applicare una ricetta di stimolazione standardizzata .

Risposta del cervello vs. segnale di stimolazione

Il risultato più importante dello studio è che l'attività neurale registrata era un predittore più accurato di ciò che il partecipante percepiva realmente (fosfeni: lampi, forme e colori) rispetto ai soli parametri di stimolazione . Ciò significa che sapere quali elettrodi erano stati attivati e con quanta corrente non era sufficiente per determinare l'esperienza visiva. Per prevedere in modo affidabile la percezione, era necessario misurare e interpretare la risposta del cervello stesso.

Questo risultato evidenzia una sfida centrale nel campo delle neuroprotesi: il segnale inviato al cervello non determina completamente la percezione che ne emerge . Il cervello non è un ricevitore passivo; il suo stato momento per momento modella attivamente ciò che vediamo.

Il futuro delle protesi visive personalizzate

Questo quadro metodologico apre la strada a una nuova generazione di protesi visive adattive e personalizzate, capaci di apprendere continuamente le dinamiche neurali di ciascun utente e di regolare la stimolazione in tempo reale . Le implicazioni principali includono:

• Ricalibrazione dinamica: il sistema può adattarsi alle fluttuazioni dello stato cerebrale di base, risolvendo un importante problema di affidabilità che ha afflitto i precedenti impianti a protocollo fisso .
• Minore potenza ed effetti collaterali: poiché i modelli progettati dall'IA raggiungono i loro obiettivi con una corrente elettrica inferiore, i futuri dispositivi potrebbero essere più sicuri e funzionare più a lungo con una singola carica della batteria .
• Adattamento personalizzato: come ha dichiarato il ricercatore capo Michael Beyeler: "Una protesi visiva utile non può basarsi su una ricetta fissa. In definitiva, il dispositivo deve adattarsi alla persona, non il contrario."
• Percorso clinico: le fasi successive dello studio di fattibilità spagnolo mirano a trasformare queste protesi corticali da prototipi sperimentali in trattamenti clinici validi per la cecità causata da ictus, malattie neurodegenerative o traumi .

Sebbene questo studio abbia coinvolto un solo partecipante, dimostra un principio fondamentale che potrebbe rivoluzionare il modo in cui i sistemi di visione bionica vengono progettati: da stimolatori statici a interfacce intelligenti e apprenditive che collaborano con le dinamiche naturali del cervello.