Wat de onderzoekers bereikten

De belangrijkste prestatie was een closed-loopsysteem dat niet alleen de hersenen stimuleerde met een vast patroon, maar leerde van de eigen reacties van de hersenen en zijn output in realtime aanpaste. De studie betrof een 27-jarige man die zijn gezichtsvermogen verloor door een traumatisch hersenletsel. Hij kreeg gedurende zes maanden een tijdelijke 96-kanaals elektrodearray in zijn visuele cortex geïmplanteerd in het Hospital IMED Elche in Spanje, waardoor het team gelijktijdig de hersenen kon stimuleren en metingen kon verrichten .

Met deze opzet reproduceerden de door AI ontworpen patronen de beoogde hersenactiviteit nauwkeuriger en gebruikten ze minder elektrische stroom dan vergelijkingsmethoden – een bevinding die bijwerkingen en energieverbruik in toekomstige apparaten zou kunnen verminderen .

Hoe het deep-learningmodel werkte

Het diepe neurale netwerk werd getraind om te voorspellen hoe de visuele cortex van de deelnemer zou reageren op verschillende combinaties van stimulatieparameters. Belangrijk is dat het model rekening hield met meer dan alleen welke elektroden werden geactiveerd en met welke stroomsterkte – het integreerde ook de rustactiviteit van de hersenen direct vóór elke stimulatie .

Eenmaal getraind, werd het model in omgekeerde richting gebruikt: in plaats van alleen uitkomsten te voorspellen, zocht het naar de stimulatie-instellingen die het meest waarschijnlijk een gewenst patroon van neurale activiteit zouden produceren. Dit staat bekend als een closed-loop, modelgebaseerde controleaanpak . In plaats van een one-size-fits-all-stimulatierecept toe te passen, paste het systeem zich continu aan op basis van de huidige toestand van de hersenen.

Hersenrespons versus stimulatiesignaal alleen

De belangrijkste bevinding van de studie is dat gemeten neurale activiteit een nauwkeurigere voorspeller was van wat de deelnemer daadwerkelijk waarnam (fosfenen – flitsen, vormen en kleuren) dan de stimulatie-instellingen alleen . Dit betekent dat weten welke elektroden waren geactiveerd en hoeveel stroom er werd toegediend, niet volledig bepaalde wat de visuele ervaring was. De eigen reactie van de hersenen moest worden gemeten en geïnterpreteerd om de waarneming betrouwbaar te voorspellen.

Dit resultaat benadrukt een kernuitdaging in de neuroprothetiek: het signaal dat naar de hersenen wordt gestuurd, bepaalt niet volledig de perceptie die eruit voortkomt . De hersenen zijn geen passieve ontvanger; hun moment-tot-moment-toestand geeft actief vorm aan wat we zien.

De weg naar gepersonaliseerde visuele protheses

Het raamwerk wijst op een nieuwe generatie adaptieve, gepersonaliseerde visuele protheses die continu de neurale dynamiek van elke gebruiker leren en de stimulatie in realtime aanpassen . Belangrijke implicaties zijn:

• Dynamische herkalibratie: Het systeem kan zich aanpassen naarmate de basistoestand van de hersenen fluctueert, waarmee een grote betrouwbaarheidsuitdaging wordt aangepakt die eerdere, vaste-protocolimplantaten plaagde .
• Lager energieverbruik en minder bijwerkingen: Omdat de door AI ontworpen patronen hun doelen bereikten met minder elektrische stroom, kunnen toekomstige apparaten veiliger zijn en langer meegaan op één acculading .
• Gepersonaliseerde aanpassing: Hoofdonderzoeker Michael Beyeler stelde: "Een bruikbare visuele prothese kan niet vertrouwen op een vast recept. Uiteindelijk moet het apparaat zich aanpassen aan de persoon, niet andersom."
• Klinisch traject: De volgende fasen van de Spaanse haalbaarheidsstudie zijn erop gericht deze corticale protheses van experimentele prototypes naar bruikbare klinische behandelingen te brengen voor blindheid veroorzaakt door beroerte, neurodegeneratieve ziekte of trauma .

Hoewel deze studie slechts één deelnemer betrof, demonstreert het een fundamenteel principe dat de manier waarop bionische visuele systemen worden ontworpen, zou kunnen transformeren – van statische stimulatoren naar intelligente, lerende interfaces die samenwerken met de natuurlijke dynamiek van de hersenen.

Wat de onderzoekers bereikten

De belangrijkste prestatie was een closed-loopsysteem dat niet alleen de hersenen stimuleerde met een vast patroon, maar leerde van de eigen reacties van de hersenen en zijn output in realtime aanpaste. De studie betrof een 27-jarige man die zijn gezichtsvermogen verloor door een traumatisch hersenletsel. Hij kreeg gedurende zes maanden een tijdelijke 96-kanaals elektrodearray in zijn visuele cortex geïmplanteerd in het Hospital IMED Elche in Spanje, waardoor het team gelijktijdig de hersenen kon stimuleren en metingen kon verrichten .

Met deze opzet reproduceerden de door AI ontworpen patronen de beoogde hersenactiviteit nauwkeuriger en gebruikten ze minder elektrische stroom dan vergelijkingsmethoden – een bevinding die bijwerkingen en energieverbruik in toekomstige apparaten zou kunnen verminderen .

Hoe het deep-learningmodel werkte

Het diepe neurale netwerk werd getraind om te voorspellen hoe de visuele cortex van de deelnemer zou reageren op verschillende combinaties van stimulatieparameters. Belangrijk is dat het model rekening hield met meer dan alleen welke elektroden werden geactiveerd en met welke stroomsterkte – het integreerde ook de rustactiviteit van de hersenen direct vóór elke stimulatie .

Eenmaal getraind, werd het model in omgekeerde richting gebruikt: in plaats van alleen uitkomsten te voorspellen, zocht het naar de stimulatie-instellingen die het meest waarschijnlijk een gewenst patroon van neurale activiteit zouden produceren. Dit staat bekend als een closed-loop, modelgebaseerde controleaanpak . In plaats van een one-size-fits-all-stimulatierecept toe te passen, paste het systeem zich continu aan op basis van de huidige toestand van de hersenen.

Hersenrespons versus stimulatiesignaal alleen

De belangrijkste bevinding van de studie is dat gemeten neurale activiteit een nauwkeurigere voorspeller was van wat de deelnemer daadwerkelijk waarnam (fosfenen – flitsen, vormen en kleuren) dan de stimulatie-instellingen alleen . Dit betekent dat weten welke elektroden waren geactiveerd en hoeveel stroom er werd toegediend, niet volledig bepaalde wat de visuele ervaring was. De eigen reactie van de hersenen moest worden gemeten en geïnterpreteerd om de waarneming betrouwbaar te voorspellen.

Dit resultaat benadrukt een kernuitdaging in de neuroprothetiek: het signaal dat naar de hersenen wordt gestuurd, bepaalt niet volledig de perceptie die eruit voortkomt . De hersenen zijn geen passieve ontvanger; hun moment-tot-moment-toestand geeft actief vorm aan wat we zien.

De weg naar gepersonaliseerde visuele protheses

Het raamwerk wijst op een nieuwe generatie adaptieve, gepersonaliseerde visuele protheses die continu de neurale dynamiek van elke gebruiker leren en de stimulatie in realtime aanpassen . Belangrijke implicaties zijn:

• Dynamische herkalibratie: Het systeem kan zich aanpassen naarmate de basistoestand van de hersenen fluctueert, waarmee een grote betrouwbaarheidsuitdaging wordt aangepakt die eerdere, vaste-protocolimplantaten plaagde .
• Lager energieverbruik en minder bijwerkingen: Omdat de door AI ontworpen patronen hun doelen bereikten met minder elektrische stroom, kunnen toekomstige apparaten veiliger zijn en langer meegaan op één acculading .
• Gepersonaliseerde aanpassing: Hoofdonderzoeker Michael Beyeler stelde: "Een bruikbare visuele prothese kan niet vertrouwen op een vast recept. Uiteindelijk moet het apparaat zich aanpassen aan de persoon, niet andersom."
• Klinisch traject: De volgende fasen van de Spaanse haalbaarheidsstudie zijn erop gericht deze corticale protheses van experimentele prototypes naar bruikbare klinische behandelingen te brengen voor blindheid veroorzaakt door beroerte, neurodegeneratieve ziekte of trauma .

Hoewel deze studie slechts één deelnemer betrof, demonstreert het een fundamenteel principe dat de manier waarop bionische visuele systemen worden ontworpen, zou kunnen transformeren – van statische stimulatoren naar intelligente, lerende interfaces die samenwerken met de natuurlijke dynamiek van de hersenen.