Zusammenfassung: Es könnte möglich sein, die Stimulationsparameter für Gehirntransplantationen bei Tieren ohne menschliches Eingreifen zu verbessern. Die Studie unterstreicht das Potenzial zur Selbstverbesserung von hirnimplantierten Prothesen. Der Fortschritt könnte für Menschen mit Rückenmarksverletzungen und Krankheiten, die die Bewegung beeinträchtigen, von Vorteil sein.
Quelle: Universität Montréal
Wissenschaftler haben die Neurostimulation lange untersucht, um Lähmungen und sensorische Defizite zu behandeln, die durch Schlaganfälle und Rückenmarksverletzungen verursacht werden, von denen in Kanada landesweit etwa 380.000 Menschen betroffen sind.
Eine neue Studie in der Zeitschrift veröffentlicht Medizinzellenberichte Demonstriert das Potenzial zur Selbstverbesserung von Stimulationsparametern für Prothesen, die ohne menschlichen Eingriff in Tiergehirne implantiert werden.
Die Arbeit wurde an der Universität von Montreal von den Neurowissenschaftsprofessoren Marco Ponizato, Noma Dancos und Marina Martinez in Zusammenarbeit mit der Mathematikprofessorin und Forscherin Mila Guillaume Lajoie durchgeführt.
Die Studie entstand aus einer wichtigen interdisziplinären Zusammenarbeit zwischen Forschern, die Fachwissen in den Neurowissenschaften und der künstlichen Intelligenz vereinen, zwei Fachgebiete, in denen sich UdeM international auszeichnet.
Eine sehr vielversprechende Etappe
„Prothesen – Geräte zur Wiederherstellung der Verbindungen zwischen Neuronen nach Verlust der motorischen Funktion – treten in eine sehr vielversprechende Phase ihrer Entwicklung ein“, sagte Lajoie. „Wir demonstrieren die Vorteile, die durch die unabhängige Optimierung ihrer Parameter erzielt werden.“
Wenn die Leistung dieser Prothesen zunimmt, fügt Bonizato hinzu, sei dies den von den Forschern vorgeschlagenen unabhängigen Lernalgorithmen zu verdanken.
„Optimierungsalgorithmen ermöglichen es uns, hochpräzise Neurostimulationsprotokolle zu entwerfen und Behandlungen an den Zustand jedes Patienten anzupassen.“
Dancause seinerseits glaubt, dass, obwohl „es mehrere Möglichkeiten gibt, das Gehirn zu stimulieren, der Beitrag der künstlichen Intelligenz notwendig ist, um das Beste aus den gesammelten Daten zu machen und Zustände zu antizipieren, die noch nicht existieren.“
Mit diesen technologischen Fortschritten nähern sich Wissenschaftler der Suche nach neuen neuroprothetischen Lösungen zur Verbesserung der Behandlung von Krankheiten wie Rückenmarksverletzungen und Schlaganfällen oder der Tiefenhirnstimulation durch Neuromodulation zur Behandlung von Erkrankungen wie der Parkinson-Krankheit.
Über diese Suche nach Neuigkeiten aus der Neurotechnologie
Autor: Pressebüro
Quelle: Universität Montréal
Kommunikation: Pressestelle – Universität Montreal
Bild: Das Bild ist gemeinfrei
Ursprüngliche Suche: offener Zugang.
„Subjektive Optimierung von neuroprothetischen Stimulationsparametern, die motorische Kortex- und Rückenmarksausgaben bei Ratten und Affen antreibenGeschrieben von Marco Ponizato et al. Medizinzellenberichte
eine Zusammenfassung
Subjektive Optimierung von neuroprothetischen Stimulationsparametern, die motorische Kortex- und Rückenmarksausgaben bei Ratten und Affen antreiben
Höhepunkte
- Ein selbstlernender Algorithmus optimiert komplexe neuronale Modulationsmuster in vivo
- Es ermöglicht „intelligenten“ neuronalen Ersatz und lindert sofort motorische Defizite
- Die Anwendung ist robust gegenüber Veränderungen, beispielsweise aufgrund von Plastizität oder Grenzflächenversagen
- Der Wissenstransfer an Experten/Ärzte wird durch ein Open-Source-Framework unterstützt
Zusammenfassung
Neurostimulation kann Lähmungen und sensorische Defizite lindern. Neuartige neuronale Schnittstellen mit hoher Dichte können verbesserte und vielseitige Neurostimulationsinterventionen ermöglichen. Um dies zu erreichen, ist es notwendig, algorithmische Frameworks zu entwickeln, die in der Lage sind, die Optimierung über große Parameterräume zu handhaben.
Hier haben wir eine Algorithmusklasse, den Gaußschen Prozess (GP) Bayessche Optimierung (BO), verwendet, um dieses Problem zu lösen. Wir zeigen, dass GP-BO den neurostimulatorischen Raum effizient erkundet und andere Suchstrategien übertrifft, nachdem nur ein kleiner Bruchteil möglicher Kombinationen getestet wurde.
Durch eine Reihe von mehrdimensionalen Neurostimulationsexperimenten in Echtzeit demonstrieren wir die Optimierung über verschiedene biologische Ziele (Gehirn und Rückenmark), Tiermodelle (Mäuse, nichtmenschliche Primaten), bei gesunden Probanden und bei der Neurointervention nach Verletzungen, für sofortige und kontinuierliche Lernen über mehrere Sitzungen hinweg. Der GP-BO kann „vorheriges“ klinisches/Expertenwissen einbeziehen und verbessern, um seine Leistung signifikant zu verbessern.
Diese Ergebnisse erfordern die breitere Etablierung von Lernfaktoren als strukturelle Elemente für das Design von Neuroprothesen, die eine individuelle Anpassung und Maximierung der therapeutischen Wirksamkeit ermöglichen.
