深層学習が視覚補綴（ほてつ）装置の精度を大幅に向上——ブラインド患者の脳に埋め込まれた電極をAIが制御

深層学習モデルの仕組み

深層ニューラルネットワークは、参加者の視覚皮質がさまざまな刺激パラメーターの組み合わせにどのように応答するかを予測するよう訓練された。重要なのは、このモデルが「どの電極がどの程度の電流で活性化されたか」だけでなく、各刺激イベントの直前の脳の安静時活動も考慮した点である。

訓練後、このモデルは逆方向に使われた。つまり、単に結果を予測するだけでなく、所望の神経活動パターンを生み出す可能性が最も高い刺激設定を探索したのだ。これは閉ループ・モデルベース制御アプローチと呼ばれる。システムは「どの患者にも同じ」刺激レシピを適用するのではなく、脳の現在の状態に基づいて出力を継続的に適応させた。

脳の反応 vs. 刺激信号そのもの

この研究の最も重要な発見は、記録された神経活動が、患者が実際に知覚したもの（光の閃光、形、色など、フォスフェンと呼ばれる）を予測する点で、刺激設定そのものよりもはるかに正確な指標であったことである。つまり、どの電極がどの程度の電流で活性化されたかを知っているだけでは、患者の視覚体験を完全に決定づけることはできない。脳自身の応答を測定し解釈しなければ、知覚を確実に予測することはできないのだ。

この結果は、神経プロステーシス（人工装具）分野における核心的な課題を浮き彫りにしている。すなわち、脳に送り込まれた信号が、そこから生じる知覚を完全に決定するわけではない、ということだ。脳は受動的な受信機ではなく、その瞬間その瞬間の状態が、私たちの「見え方」を積極的に形成している。

パーソナライズド視覚プロステーシスへの道筋

このフレームワークは、各利用者の神経ダイナミクスを継続的に学習し、リアルタイムで刺激を調整する適応型・パーソナライズド視覚プロステーシスの新しい世代を指し示している。主な意義は以下の通り。

• 動的再調整：脳のベースライン状態が変動するのに合わせてシステムが適応できるため、これまでの固定プロトコル型インプラントを悩ませてきた信頼性の問題に対処できる。
• 低消費電力と副作用の低減：AI設計のパターンは、より少ない電流で目標を達成したため、将来のデバイスはより安全で、バッテリー一回の充電でより長く動作する可能性がある。
• パーソナライズ適応：主任研究者のマイケル・ベイラー准教授（UCSBコンピュータサイエンス学科）は次のように述べている。「有用な視覚プロステーシスは固定のレシピに頼ることはできません。最終的には、デバイスが人に適応すべきであり、その逆ではないのです。」
• 臨床への展開：スペインでの実現可能性試験の次の段階では、これらの皮質プロステーシスを実験的なプロトタイプから、脳卒中や神経変性疾患、外傷などによる失明に対する実行可能な臨床治療へと発展させることを目指している。

この研究は単一の参加者を対象としたものではあるが、バイオニック・ビジョン・システムの設計を、静的な刺激装置から、脳の自然なダイナミクスと協調して動作するインテリジェントで学習可能なインターフェースへと変革する可能性のある基本原理を実証している。