Santa Barbara – Künstliche Intelligenz kann die elektrischen Stimulationsmuster von in den Sehkortex implantierten Elektroden so gestalten, dass neuronale Antworten besser gesteuert und wahrgenommene Bilder präziser vorhergesagt werden. Das zeigt eine Studie unter Beteiligung der University of California Santa Barbara (UCSB), der ETH Zürich und der Miguel Hernández University, die in der Fachzeitschrift Neuron veröffentlicht wurde.
Untersucht wurde ein 27-jähriger Mann, der nach einer traumatischen Hirnverletzung erblindet war. Ihm war für sechs Monate ein 96-Kanal-Elektroden-Array im Sehkortex implantiert worden. Der Teilnehmer nahm Phosphene wahr – Lichtpunkte oder -formen, die er mit Blitzen, Sternen oder Feuerwerken verglich.
Ein Deep-Learning-Modell wurde auf Gehirnaktivitätsmuster bei unterschiedlichen Stimulationssettings und im Ruhezustand trainiert. Es identifizierte Stimulationsmuster, die gewünschte neuronale Antworten erzeugten, und benötigte dafür weniger elektrischen Strom. Die AI-Muster passten sich zudem dem aktuellen Zustand des Gehirns an. Die Gehirnantworten sagten die wahrgenommenen visuellen Eindrücke besser voraus als die Stimulationsparameter allein.
Feste Stimulationsrezepte erweisen sich als unzuverlässig, da neuronale Antworten schwanken und Elektroden interagieren. Das Gehirn behandelt Phosphene nicht wie Pixel. Die Arbeit ist ein Proof-of-Concept und zielt auf anpassungsfähigere visuelle Prothesen für Menschen mit intaktem Sehkortex, aber geschädigten Sehbahnen. Die Forschung wurde unter anderem durch einen NIH Director’s New Innovator Award unterstützt.
Credits
Matt Perko, UC Santa Barbara
