AI が新たな脳のパターンを発見し、脳とコンピューターのインターフェースが「強化」されます。

著者 |馬雪偉

序文

この記事を読み始めると、無意識のうちにコップに手を伸ばして水を一口飲んだり、振り返って誰かから送られてきたメッセージに返信したりするかもしれません。これらの一見単純な動作は、実際には脳内でさまざまなエンコード プロセスを引き起こし、同期して発生し、複雑な脳活動パターンを形成します。

しかし、麻痺した患者の場合、思考を具体的な筋肉の動きに変換することができません。

近年、脳コンピューターインターフェース技術が大きな注目を集めています。患者の思考を解釈し、その指示を外部装置（ロボットアームなど）に送信することで、患者の運動能力の回復を支援します。

しかし、重要な問題があります。脳内のニューラル ネットワークは単純な線形重ね合わせではなく、複雑な非線形関係を伴うため、同時エンコードを分析することが困難になります。特定の行動の脳コードを他の行動のコードと区別することは、依然として課題です。

最近、南カリフォルニア大学とペンシルバニア大学の研究チームが人工知能（AI）アルゴリズムDPAD（解離性優先ダイナミクス分析）を開発しました。このアルゴリズムは、特定の行動の脳パターンを他の同時脳活動から効果的に区別し、脳活動から動きを解読する精度を向上させ、脳コンピューターインターフェースのパフォーマンスを大幅に向上させることができます。

研究チームによると、この方法は脳の活動から動きを正確に解読できるだけでなく、これまで気づかれなかった脳内の新たなパターンを明らかにするのにも役立ち、運動障害や麻痺、精神疾患の治療など、より強力な脳コンピューターインターフェースの開発につながるという。

「リカレントニューラルネットワークを使用した行動に関連する神経ダイナミクスの解離および優先順位付けモデリング」と題された関連研究論文が、Nature の子会社である Nature Neuroscience に掲載されました。

このアルゴリズムは非常に柔軟性が高く、将来的には痛みやうつ病などの心理状態を解読するために使用され、患者の症状の状態をフィードバックとして追跡し、患者のニーズに合わせて治療計画を正確に調整することで、精神疾患の治療を改善するのに役立つ可能性があることは注目に値します。

ニューラルネットワークの複雑さを解明する

DPAD は、リカレント ニューラル ネットワーク (RNN) アーキテクチャとトレーニング メソッドを使用する非線形動的モデリング メソッドです。 DPAD は、2 セクションの RNN アーキテクチャを使用して、行動関連のニューラル ダイナミクスとその他のニューラル ダイナミクスを個別に学習し、非線形ダイナミクス モデリング、行動関連のニューラル ダイナミクスの分離と優先順位付け、連続的および断続的な行動データのモデリングなど、神経行動遷移のモデリングにおける既存の方法の課題に対処することを目指しています。

図｜DPAD構造概要。

神経科学の分野で幅広い応用価値を持っています。研究チームは、4 つの異なる非ヒト霊長類データセットを分析することで、DPAD の 5 つの応用シナリオを実証しました。

神経行動予測の精度の向上:

DPAD は、行動に関連する神経ダイナミクスを優先的に学習し、遷移における非線形関係を捉えることで、より正確に行動を予測します。複数のニューラル モダリティからのデータでは、DPAD は予測精度において線形および非線形動的モデルの両方を上回ります。これは、DPAD が神経活動がどのように行動に変換されるかをよりよく理解し、神経技術開発のためのより信頼性の高いモデルを提供できることを意味します。

行動予測のための非線形動的変換の抽出:

DPAD は、生の局所場電位 (LFP) アクティビティにおける非線形動的変換を自動的に識別することができ、その動作予測能力は従来の LFP 電力機能よりも優れています。一部のデータセットでは、DPAD の予測力がニューロンの発火の予測力を上回ります。これは、DPAD が LFP データからより行動予測的な情報を抽出でき、LFP データの分析に新しいアイデアを提供できることを示しています。

行動予測のための非線形ニューラル次元削減の実装:

DPAD は、行動情報を保持しながら低次元の潜在状態を抽出することで、非線形ニューラル次元削減を実現できます。これは、DPAD が行動予測力を維持しながら、生の神経データからより簡潔な表現を抽出できることを意味します。これは、神経データの大規模な処理と分析に重要な意味を持ちます。

非線形変換の起源を確認します。

DPAD を使用すると、潜在状態ダイナミクス、埋め込みマップ、行動読み出しマップなどの神経行動変換における非線形性の原因を特定するための仮説検定が可能になります。 DPAD は、複数の動作関連データセットにおいて、非線形性は主に潜在状態から動作へのマッピングに存在することを発見しました。これにより、将来の実験のための新たな仮説とテストの方向性が提供され、神経計算の非線形メカニズムをより深く理解するのに役立ちます。

非連続および断続的なデータへの拡張:

DPAD は、気分レポートなど、断続的にサンプリングされる行動データを処理できます。このため、情動神経科学や神経精神医学などの分野に適しています。 DPAD は、意思決定の選択など、非連続的な値を持つ行動データを処理することもできます。これにより、神経科学および神経技術における DPAD の応用範囲がさらに拡大します。

ただし、DPAD にも一定の制限があります。たとえば、DPAD の最適化目的関数は非凸であるため、グローバル最適解に収束することが保証されません。さらに、モデルの品質とその神経行動予測力は、信号対雑音比などのデータセットの特性に依存します。

将来的には、DPAD を使用してより多くの脳領域の非線形性をテストし、神経行動の変化をより完全に理解できるようになる可能性があります。第二に、DPAD は、異なる脳領域間の信号変換や、電気刺激や感覚刺激に対する脳の反応など、他の信号変換を研究するためにも使用できます。さらに、DPAD は、2 人の被験者の脳活動を同時に記録して、社会的相互作用における共通の被験者間のダイナミクスを発見することで、社会的相互作用にも適用できます。

AIと神経科学が出会うとき

AIの基本モデルである「ニューラルネットワーク」は、人間や動物の神経ネットワークからヒントを得たもので、逆にAIは神経科学の分野でもその実力を発揮しつつあります。

近年、AIは神経科学の分野で多くの進歩を遂げてきました。たとえば、昨年 7 月、ミシガン大学ケロッグ眼科センターの研究チームとその協力者は、宇宙適応症候群 (SANS) の病態生理をより深く理解し、予防策を開発するために、国際宇宙ステーションでの眼科画像診断に適用できる複数の AI フレームワークを導入しました。

今年 1 月、パレルモ大学の研究チームとその協力者は、結果の測定、治療の個別化、治療反応の予測など、片頭痛の診断と分類およびその管理をサポートする AI の役割に関する新たな証拠を調査しました。研究により、AI は片頭痛の診断と治療に大きな可能性を秘めており、患者がより良い治療と管理を受けられるよう支援できることがわかりました。

8月、カリフォルニア大学デービス校健康センターの研究チームとその協力者らが開発したAI駆動型脳インプラントが脳信号を音声に変換することに成功し、失語症患者が最大97.5%の精度で再び話せるようになったという新たな研究結果が発表された。

AIと神経科学の組み合わせは、お互いを促進するだけでなく、新しい研究の道を切り開きます。将来的には、この学際的な連携により、神経疾患の治療、神経修復技術の開発、脳機能のより深い理解において、さらに革新的な進歩がもたらされると期待されています。