Η πρόοδος στις έξυπνες νευροπροσθέσεις μπορεί να ωφελήσει άτομα με κινητικές ασθένειες

περίληψη: Μπορεί να είναι δυνατή η βελτίωση των παραμέτρων διέγερσης για μεταμοσχεύσεις εγκεφάλου σε ζώα χωρίς ανθρώπινη παρέμβαση. Η μελέτη υπογραμμίζει τη δυνατότητα αυτοβελτίωσης των εγκεφαλικών εμφυτευμένων προθέσεων. Η πρόοδος θα μπορούσε να είναι ευεργετική για άτομα με τραυματισμούς του νωτιαίου μυελού και ασθένειες που επηρεάζουν την κίνηση.

πηγή: Πανεπιστήμιο του Μόντρεαλ

Οι επιστήμονες έχουν μελετήσει εδώ και καιρό τη νευροδιέγερση για τη θεραπεία της παράλυσης και των αισθητηριακών ελλειμμάτων που προκαλούνται από εγκεφαλικά επεισόδια και τραυματισμούς του νωτιαίου μυελού, τα οποία στον Καναδά επηρεάζουν περίπου 380.000 άτομα σε όλη τη χώρα.

Μια νέα μελέτη που δημοσιεύτηκε στο περιοδικό Αναφορές Ιατρικών Κυττάρων Επιδεικνύει τη δυνατότητα αυτοβελτίωσης των παραμέτρων διέγερσης για προθέσεις που εμφυτεύονται σε εγκεφάλους ζώων, χωρίς ανθρώπινη παρέμβαση.

Η εργασία έγινε στο Πανεπιστήμιο του Μόντρεαλ από τους καθηγητές νευροεπιστήμης Marco Ponizato, Noma Dancos και Marina Martinez, σε συνεργασία με την καθηγήτρια και ερευνήτρια Μαθηματικών Mila Guillaume Lajoie.

Η μελέτη προέκυψε από μια σημαντική διεπιστημονική συνεργασία μεταξύ ερευνητών που συνδυάζουν την τεχνογνωσία στη νευροεπιστήμη και την τεχνητή νοημοσύνη, δύο τομείς εξειδίκευσης στους οποίους η UdeM ξεχωρίζει διεθνώς.

Ένα πολλά υποσχόμενο στάδιο

«Τα προσθετικά – συσκευές που έχουν σχεδιαστεί για να αποκαθιστούν τις συνδέσεις μεταξύ των νευρώνων μετά την απώλεια της κινητικής λειτουργίας – εισέρχονται σε ένα πολλά υποσχόμενο στάδιο της ανάπτυξής τους», δήλωσε ο Lajoie. “Δείχνουμε τα οφέλη που προκύπτουν με τη βελτιστοποίηση ανεξάρτητα των παραμέτρων τους.”

Εάν η απόδοση αυτών των προθέσεων αυξάνεται, πρόσθεσε ο Bonizato, είναι χάρη στους ανεξάρτητους αλγόριθμους μάθησης που προτείνουν οι ερευνητές.

«Οι αλγόριθμοι βελτιστοποίησης μας επιτρέπουν να σχεδιάζουμε πρωτόκολλα νευροδιέγερσης υψηλής ακρίβειας και να προσαρμόζουμε τις θεραπείες ανάλογα με την κατάσταση του κάθε ασθενούς».

Από την πλευρά του, ο Dancause πιστεύει ότι αν και «υπάρχουν διάφοροι τρόποι για να τονωθεί ο εγκέφαλος, η συμβολή της τεχνητής νοημοσύνης είναι απαραίτητη για να αξιοποιηθούν στο έπακρο τα δεδομένα που συλλέγονται και να προβλεφθούν συνθήκες που δεν υπάρχουν ακόμη».

Με αυτές τις τεχνολογικές εξελίξεις, οι επιστήμονες πλησιάζουν περισσότερο στην εύρεση νέων νευροπροσθετικών λύσεων για τη βελτίωση της θεραπείας ασθενειών όπως τραυματισμοί νωτιαίου μυελού και εγκεφαλικά επεισόδια ή βαθιά διέγερση του εγκεφάλου μέσω νευροτροποποίησης για τη θεραπεία καταστάσεων όπως η νόσος του Πάρκινσον.

Σχετικά με αυτήν την αναζήτηση ειδήσεων νευροτεχνολογίας

συγγραφέας: γραφείο Τύπου
πηγή: Πανεπιστήμιο του Μόντρεαλ
επικοινωνία: Γραφείο Τύπου – Πανεπιστήμιο του Μόντρεαλ
εικόνα: Η εικόνα είναι δημόσια

Αρχική αναζήτηση: ανοιχτή πρόσβαση.
“Υποκειμενική βελτιστοποίηση παραμέτρων νευροπροσθετικής διέγερσης που οδηγούν τις εξόδους του κινητικού φλοιού και του νωτιαίου μυελού σε αρουραίους και πιθήκουςΓράφει ο Marco Ponizato et al. Αναφορές Ιατρικών Κυττάρων

μια περίληψη

Υποκειμενική βελτιστοποίηση παραμέτρων νευροπροσθετικής διέγερσης που οδηγούν τις εξόδους του κινητικού φλοιού και του νωτιαίου μυελού σε αρουραίους και πιθήκους

Καλύτερες στιγμές

• Ένας αλγόριθμος αυτοεκμάθησης βελτιστοποιεί πολύπλοκα μοτίβα νευρωνικής διαμόρφωσης in vivo
• Επιτρέπει τις «έξυπνες» νευρικές αντικαταστάσεις, ανακουφίζοντας άμεσα τα κινητικά ελλείμματα
• Η εφαρμογή είναι ανθεκτική σε αλλαγές, για παράδειγμα, λόγω πλαστικότητας ή αστοχίας διεπαφής
• Η μεταφορά γνώσεων σε ειδικούς/ιατρούς υποστηρίζεται από ένα πλαίσιο ανοιχτού κώδικα

περίληψη

Η νευροδιέγερση μπορεί να ανακουφίσει την παράλυση και τα αισθητηριακά ελλείμματα. Οι νέες νευρικές διεπαφές υψηλής πυκνότητας μπορούν να επιτρέψουν βελτιωμένες και πολύπλευρες παρεμβάσεις νευροδιέγερσης. Για να επιτευχθεί αυτό, είναι απαραίτητο να αναπτυχθούν αλγοριθμικά πλαίσια ικανά να χειρίζονται τη βελτιστοποίηση σε μεγάλους χώρους παραμέτρων.

Εδώ, χρησιμοποιήσαμε μια κλάση αλγορίθμου, Gaussian process (GP) Bayesian optimization (BO), για να λύσουμε αυτό το πρόβλημα. Δείχνουμε ότι το GP-BO εξερευνά αποτελεσματικά τον νευροδιεγερτικό χώρο, ξεπερνώντας τις άλλες στρατηγικές αναζήτησης αφού δοκιμάσει μόνο ένα μικρό κλάσμα πιθανών συνδυασμών.

Μέσα από μια σειρά πειραμάτων πολυδιάστατης νευροδιέγερσης σε πραγματικό χρόνο, επιδεικνύουμε βελτιστοποίηση σε διάφορους βιολογικούς στόχους (εγκέφαλος και νωτιαίος μυελός), ζωικά μοντέλα (ποντίκια, πρωτεύοντα πλην του ανθρώπου), σε υγιή άτομα και σε νευρολογικές παρεμβάσεις μετά τον τραυματισμό, για άμεση και συνεχής μάθηση σε πολλαπλές συνεδρίες. Το GP-BO μπορεί να ενσωματώσει και να ενισχύσει «προηγούμενες» κλινικές/ειδικές γνώσεις για να βελτιώσει σημαντικά την απόδοσή του.

Αυτά τα ευρήματα απαιτούν την ευρύτερη καθιέρωση παραγόντων μάθησης ως δομικά στοιχεία για το σχεδιασμό της νευροπροσθετικής, επιτρέποντας την προσαρμογή και τη μεγιστοποίηση της θεραπευτικής αποτελεσματικότητας.