Co osiągnęli naukowcy

Głównym osiągnięciem był system działający w pętli zamkniętej – nie tylko stymulował mózg według ustalonego schematu, ale uczył się na podstawie jego odpowiedzi i na bieżąco korygował bodźce. W badaniu wzięł udział 27-letni mężczyzna, który stracił wzrok w wyniku urazowego uszkodzenia mózgu. Na okres sześciu miesięcy wszczepiono mu tymczasowo w korę wzrokową matrycę 96 elektrod w szpitalu IMED Elche w Hiszpanii, co umożliwiło jednoczesną stymulację i rejestrację sygnałów z mózgu .

Dzięki tej konfiguracji wzorce zaprojektowane przez AI odtwarzały docelową aktywność mózgu z większą dokładnością i przy użyciu mniejszego natężenia prądu niż metody porównawcze – to odkrycie może w przyszłości zmniejszyć skutki uboczne i zużycie energii w tego typu urządzeniach .

Jak działał model głębokiego uczenia

Sieć neuronową wytrenowano tak, by przewidywała, jak kora wzrokowa uczestnika zareaguje na różne kombinacje parametrów stymulacji. Co kluczowe, model uwzględniał nie tylko to, które elektrody były aktywowane i z jakim natężeniem prądu, ale także chwilową aktywność spoczynkową mózgu bezpośrednio przed każdym bodźcem .

Po wytrenowaniu model zastosowano w odwrotnej kolejności: zamiast tylko przewidywać wyniki, wyszukiwał on ustawienia stymulacji najbardziej prawdopodobne do wywołania pożądanego wzorca aktywności nerwowej. Jest to podejście sterowania opartego na modelu w pętli zamkniętej . Zamiast stosować uniwersalny przepis na stymulację, system nieustannie dostosowywał swoje działanie do bieżącego stanu mózgu.

Reakcja mózgu a sam sygnał stymulacji

Najważniejszym wnioskiem z badania jest to, że zarejestrowana aktywność neuronalna była dokładniejszym predyktorem tego, co uczestnik faktycznie widział (fosfeny – błyski, kształty, kolory) niż same parametry stymulacji . Oznacza to, że sama wiedza o tym, które elektrody były aktywowane i z jakim natężeniem prądu, nie wystarczała do przewidzenia wrażenia wzrokowego. Aby wiarygodnie przewidzieć percepcję, konieczny był pomiar i interpretacja odpowiedzi mózgu.

Wynik ten podkreśla kluczowe wyzwanie w neuroprotetyce: sygnał wysłany do mózgu nie determinuje w pełni wrażenia, które z niego powstaje . Mózg nie jest biernym odbiorcą – jego stan w każdej chwili aktywnie kształtuje to, co widzimy.

Droga do spersonalizowanych protez wzroku

Opisane podejście wskazuje drogę do nowej generacji adaptacyjnych, spersonalizowanych protez wzroku, które stale uczą się dynamiki neuronalnej każdego użytkownika i na bieżąco dostosowują stymulację . Kluczowe implikacje:

• Dynamiczna kalibracja: system może dostosowywać się do wahań stanu wyjściowego mózgu, rozwiązując poważny problem zawodności, który nękał wcześniejsze implanty ze stałym protokołem .
• Mniejszy pobór prądu i skutki uboczne: dzięki temu, że wzorce zaprojektowane przez AI osiągały cel przy niższym natężeniu prądu, przyszłe urządzenia mogą być bezpieczniejsze i działać dłużej na jednym ładowaniu baterii .
• Spersonalizowana adaptacja: główny badacz Michael Beyeler stwierdził: „Przydatna proteza wzroku nie może opierać się na stałym przepisie. Ostatecznie urządzenie powinno dostosowywać się do osoby, a nie odwrotnie.”
• Droga kliniczna: kolejne fazy hiszpańskiego badania klinicznego mają na celu przekształcenie tych protez korowych z eksperymentalnych prototypów w realne metody leczenia ślepoty spowodowanej udarem, chorobą neurodegeneracyjną lub urazem .

Choć badanie objęło tylko jednego uczestnika, demonstruje fundamentalną zasadę, która może zmienić sposób projektowania bionicznych systemów widzenia – ze statycznych stymulatorów w inteligentne, uczące się interfejsy współpracujące z naturalną dynamiką mózgu.

Co osiągnęli naukowcy

Głównym osiągnięciem był system działający w pętli zamkniętej – nie tylko stymulował mózg według ustalonego schematu, ale uczył się na podstawie jego odpowiedzi i na bieżąco korygował bodźce. W badaniu wzięł udział 27-letni mężczyzna, który stracił wzrok w wyniku urazowego uszkodzenia mózgu. Na okres sześciu miesięcy wszczepiono mu tymczasowo w korę wzrokową matrycę 96 elektrod w szpitalu IMED Elche w Hiszpanii, co umożliwiło jednoczesną stymulację i rejestrację sygnałów z mózgu .

Dzięki tej konfiguracji wzorce zaprojektowane przez AI odtwarzały docelową aktywność mózgu z większą dokładnością i przy użyciu mniejszego natężenia prądu niż metody porównawcze – to odkrycie może w przyszłości zmniejszyć skutki uboczne i zużycie energii w tego typu urządzeniach .

Jak działał model głębokiego uczenia

Sieć neuronową wytrenowano tak, by przewidywała, jak kora wzrokowa uczestnika zareaguje na różne kombinacje parametrów stymulacji. Co kluczowe, model uwzględniał nie tylko to, które elektrody były aktywowane i z jakim natężeniem prądu, ale także chwilową aktywność spoczynkową mózgu bezpośrednio przed każdym bodźcem .

Po wytrenowaniu model zastosowano w odwrotnej kolejności: zamiast tylko przewidywać wyniki, wyszukiwał on ustawienia stymulacji najbardziej prawdopodobne do wywołania pożądanego wzorca aktywności nerwowej. Jest to podejście sterowania opartego na modelu w pętli zamkniętej . Zamiast stosować uniwersalny przepis na stymulację, system nieustannie dostosowywał swoje działanie do bieżącego stanu mózgu.

Reakcja mózgu a sam sygnał stymulacji

Najważniejszym wnioskiem z badania jest to, że zarejestrowana aktywność neuronalna była dokładniejszym predyktorem tego, co uczestnik faktycznie widział (fosfeny – błyski, kształty, kolory) niż same parametry stymulacji . Oznacza to, że sama wiedza o tym, które elektrody były aktywowane i z jakim natężeniem prądu, nie wystarczała do przewidzenia wrażenia wzrokowego. Aby wiarygodnie przewidzieć percepcję, konieczny był pomiar i interpretacja odpowiedzi mózgu.

Wynik ten podkreśla kluczowe wyzwanie w neuroprotetyce: sygnał wysłany do mózgu nie determinuje w pełni wrażenia, które z niego powstaje . Mózg nie jest biernym odbiorcą – jego stan w każdej chwili aktywnie kształtuje to, co widzimy.

Droga do spersonalizowanych protez wzroku

Opisane podejście wskazuje drogę do nowej generacji adaptacyjnych, spersonalizowanych protez wzroku, które stale uczą się dynamiki neuronalnej każdego użytkownika i na bieżąco dostosowują stymulację . Kluczowe implikacje:

• Dynamiczna kalibracja: system może dostosowywać się do wahań stanu wyjściowego mózgu, rozwiązując poważny problem zawodności, który nękał wcześniejsze implanty ze stałym protokołem .
• Mniejszy pobór prądu i skutki uboczne: dzięki temu, że wzorce zaprojektowane przez AI osiągały cel przy niższym natężeniu prądu, przyszłe urządzenia mogą być bezpieczniejsze i działać dłużej na jednym ładowaniu baterii .
• Spersonalizowana adaptacja: główny badacz Michael Beyeler stwierdził: „Przydatna proteza wzroku nie może opierać się na stałym przepisie. Ostatecznie urządzenie powinno dostosowywać się do osoby, a nie odwrotnie.”
• Droga kliniczna: kolejne fazy hiszpańskiego badania klinicznego mają na celu przekształcenie tych protez korowych z eksperymentalnych prototypów w realne metody leczenia ślepoty spowodowanej udarem, chorobą neurodegeneracyjną lub urazem .

Choć badanie objęło tylko jednego uczestnika, demonstruje fundamentalną zasadę, która może zmienić sposób projektowania bionicznych systemów widzenia – ze statycznych stymulatorów w inteligentne, uczące się interfejsy współpracujące z naturalną dynamiką mózgu.