Wetenschappers hebben een significante stap gezet in de ontwikkeling van klinische neuroprosthetics door een methode te introduceren die ongebruikte hersendata effectief kan analyseren. Het grootste knelpunt bij het ontwikkelen van hersen-computerinterfaces is momenteel het tekort aan gelabelde datasets; hoewel er vaak overvloedig spontane neurale activiteit beschikbaar is, zijn specifieke trials met nauwkeurige labels zeldzaam.
Een onderzoeksteam, geleid door Aleksandr Kovalev en tien medeauteurs, heeft een oplossing gevonden door gebruik te maken van zelfgestuurd leren. In een wetenschappelijke publicatie op arxiv.org wordt beschreven hoe zij een zogenaamde masked autoencoder hebben ingezet. Dit type kunstmatige intelligentie is ontworpen om ontbrekende delen van een dataset te voorspellen. Door dit proces wordt het model gedwongen om de fundamentele, onderliggende structuur van de informatie te begrijpen, zonder dat daarvoor menselijke tussenkomst of labels nodig zijn.
Voor dit specifieke onderzoek werd het model getraind op 14,6 uur aan spontane multi-unit activiteit. Deze data was afkomstig van een intracorticaal array in de primaire visuele cortex (V1) van een blinde proefpersoon. De centrale vraag was of ongesuperviseerde pretraining op deze data in rusttoestand de precisie van het decoderen van waarnemingen kon verhogen. De resultaten suggereren dat spontane activiteit in de hersenen geen willekeurige ruis is, maar juist een rijke, taakrelevante structuur bevat. Het AI-model slaagde erin om de ruimtelijke organisatie van de V1-regio en het onderscheid tussen verschillende perceptuele toestanden vast te leggen in latente representaties.
Om de praktische waarde van deze kenmerken te bewijzen, pasten de onderzoekers linear probing toe. Hierbij werd een logistieke regressie gebruikt op de bevroren latente variabelen om de prestaties bij gestimuleerde data te meten. De resultaten waren veelbelovend: bij een algemene psychometrische taak behaalde het model een nauwkeurigheid van 84,1%, terwijl de score bij een complexere taak op drempelniveau uitkwam op 64,0%. Deze bevindingen zijn opgenomen in de , wat de groeiende synergie tussen AI en neurowetenschappen benadrukt.
De methodiek kan conceptueel worden vergeleken met het proces van een 'query'. In een brede betekenis is een cambridge.org een vraag die gesteld wordt aan een autoriteit of systeem om een specifiek antwoord te verkrijgen of onduidelijkheden weg te nemen. In de context van dit AI-model fungeert de architectuur als een systeem dat voortdurend dergelijke vragen stelt aan de ongestructureerde neurale data om de meest relevante patronen te extraheren. Deze vorm van informatieopvraag, die in Amerikaanse Engelse context vaak als een cambridge.org wordt aangeduid, stelt het model in staat om betekenis te vinden in data die voorheen als onbruikbaar werd beschouwd.
De implicaties van dit onderzoek zijn groot voor de medische wereld. Het suggereert dat de weg naar geavanceerde hersen-computerinterfaces niet noodzakelijkerwijs loopt via het verzamelen van meer gelabelde data, maar via een intelligentere analyse van bestaande informatie. Door ongesuperviseerde pretraining te optimaliseren, kunnen toekomstige visuele protheses nauwkeuriger reageren op de intenties en waarnemingen van de gebruiker, wat de kwaliteit van leven voor mensen met visuele beperkingen aanzienlijk kan verbeteren.