Yapay Zeka ile Biyonik Gözlerde Çığır Açan Gelişme: Beyin ile Makine Arasındaki İletişim Artık Çok Daha Kesin

Araştırmacıların Başardığı Şey

Çalışmanın özü, beyni sabit bir desenle uyarmak yerine, beynin kendi tepkilerinden öğrenen ve çıktısını gerçek zamanlı olarak ayarlayan kapalı döngü bir sistem geliştirilmesiydi. Araştırmaya, geçirdiği travmatik beyin hasarı sonucu görme yetisini kaybeden 27 yaşında bir erkek katıldı. Katılımcıya, İspanya'daki Hospital IMED Elche'de altı ay boyunca görsel korteksine geçici olarak 96 kanallı bir elektrot dizisi yerleştirildi. Bu düzenek, araştırma ekibinin beyin aktivitesini aynı anda hem uyarıp hem de kaydetmesine olanak sağladı .

Bu kurulum sayesinde, yapay zeka tarafından tasarlanan desenler, hedeflenen beyin aktivitesini daha doğru bir şekilde yeniden üretti ve karşılaştırma yöntemlerine kıyasla daha az elektrik akımı kullandı. Bu bulgu, gelecekteki cihazlarda yan etkilerin azalmasına ve pil ömrünün uzamasına yol açabilir .

Derin Öğrenme Modeli Nasıl Çalıştı?

Derin sinir ağı, katılımcının görsel korteksinin farklı uyarım parametrelerine nasıl tepki vereceğini tahmin etmek üzere eğitildi. Kritik bir nokta olarak, model yalnızca hangi elektrotların hangi akım seviyesinde aktive edildiğini değil, aynı zamanda her uyarım anından hemen önceki beynin dinlenme halindeki aktivitesini de hesaba kattı .

Eğitildikten sonra model tersine mühendislikle kullanıldı: Artık sadece sonuçları tahmin etmek yerine, istenen sinirsel aktivite desenini oluşturma olasılığı en yüksek olan uyarım ayarlarını aradı. Bu yaklaşım, kapalı döngü, model tabanlı bir kontrol yöntemidir . Sistem, herkese uyan tek tip bir uyarım tarifi uygulamak yerine, beynin o anki durumuna göre çıktısını sürekli olarak uyarladı.

Beyin Tepkisi mi, Uyarım Sinyali mi?

Çalışmanın en önemli bulgusu, kaydedilen sinirsel aktivitenin, katılımcının gerçekte ne algıladığını (fosfenler—ışık çakmaları, şekiller ve renkler) tahmin etmede, uyarım ayarlarından çok daha doğru bir gösterge olmasıdır . Bir başka deyişle, hangi elektrotların uyarıldığını ve ne kadar akım verildiğini bilmek, görsel deneyimi tam olarak belirlemeye yetmiyordu. Görsel algıyı güvenilir bir şekilde tahmin etmek için beynin kendi tepkisinin ölçülmesi ve yorumlanması gerekiyordu.

Bu sonuç, nöroprotez alanındaki temel bir zorluğu gözler önüne seriyor: Beyne gönderilen sinyal, ondan ortaya çıkan algıyı tam olarak belirlemez . Beyin pasif bir alıcı değildir; anlık durumu aktif olarak ne gördüğümüzü şekillendirir.

Kişiselleştirilmiş Görsel Protezlere Giden Yol

Bu çalışma, her kullanıcının sinirsel dinamiklerini sürekli öğrenen ve uyarımı gerçek zamanlı olarak ayarlayan yeni nesil uyarlanabilir, kişiselleştirilmiş görsel protezlerin önünü açıyor . Çalışmanın temel çıkarımları şunlar:

• Dinamik yeniden kalibrasyon: Sistem, beynin temel durumu değiştikçe kendini uyarlayabiliyor. Bu da önceki sabit protokollü implantların en büyük sorunu olan güvenilirlik zorluğuna çözüm getiriyor .
• Daha düşük güç ve yan etki: Yapay zeka tarafından tasarlanan desenler hedeflerine daha az elektrik akımıyla ulaştığı için, gelecekteki cihazlar daha güvenli olabilir ve tek bir pil şarjıyla daha uzun süre çalışabilir .
• Kişiye özel uyum: Araştırmanın lideri Michael Beyeler konuyla ilgili şunları söyledi: "Kullanışlı bir görsel protez sabit bir tarife dayanamaz. Sonuç olarak cihaz kişiye uyum sağlamalı, kişi cihaza değil."
• Klinik yol haritası: İspanya'daki fizibilite çalışmasının sonraki aşamaları, bu kortikal protezleri deneysel prototiplerden, felç, nörodejeneratif hastalık veya travma kaynaklı körlük için uygulanabilir klinik tedavilere dönüştürmeyi hedefliyor .

Bu çalışma yalnızca tek bir katılımcıyı içerse de, biyonik görme sistemlerinin tasarlanma biçimini değiştirebilecek temel bir prensibi ortaya koyuyor: Statik uyarıcılardan, beynin doğal dinamikleriyle çalışan, öğrenebilen akıllı arayüzlere geçiş.