Das menschliche Gehirn ist ein riesiges, komplexes Netzwerk aus elektrischen Signalen, die ständig feuern und kommunizieren, um Denken, Bewegung und Empfindung aufrechtzuerhalten. Um zu verstehen, wie diese Maschinerie funktioniert und um zu erkennen, wann sie Fehlfunktionen aufweist, setzen Ärzte oft winzige Elektroden direkt in den Schädel ein. Dieses Verfahren, bekannt als intrakranielle Elektroenzephalografie oder iEEG, erfasst die rohe elektrische Aktivität des Gehirns mit unglaublicher Präzision. Die dadurch erzeugten Daten sind jedoch notorisch schwierig zu analysieren. Im Gegensatz zu einem Standard-Herzmonitor, der eine feste Gruppe von Sensoren verwendet, sind iEEG-Setups für jeden Patienten einzigartig. Ein Arzt könnte einem Menschen zwanzig Elektroden in das Gehirn setzen und einem anderen achtzig, je nachdem, wo die Anfälle vermutet werden. Diese Variabilität bedeutet, dass die Anzahl der Kanäle und deren spezifische Positionen von Person zu Person variieren, was es herkömmlichen Computermodellen nahezu unmöglich macht, von einem Patienten zu lernen und dieses Wissen auf den nächsten anzuwenden. Jahrelang war dieser Mangel an einer universellen Methode, diese sich verändernden elektrischen Karten zu lesen, eine große Barriere für die Entwicklung intelligenter Werkzeuge, die Ärzten helfen könnten, Epilepsie effektiver zu diagnostizieren und zu behandeln.

Ein Team von Forschern hat nun eine neue Art von künstlicher Intelligenz entwickelt, die speziell darauf ausgelegt ist, diese Hürde zu überwinden. Sie haben ein System namens MVPFormer geschaffen, das als Fundamentmodell (Foundation Model) für die menschliche Gehirnaktivität fungiert. Stellen Sie es sich als einen universellen Lernenden vor, der die elektrische Sprache des Gehirns lesen kann, unabhängig davon, wie viele Sensoren angebracht sind oder wo sie platziert wurden. Der Kern dieses Systems ist eine neue Art der Informationsverarbeitung namens multivariate parallele Aufmerksamkeit (multi-variate parallel attention). Anstatt zu versuchen, das einzigartige Elektroden-Layout jedes Patienten in ein einzelnes, starres Gitter zu pressen, ermöglicht diese Methode dem Computer, die Daten gleichzeitig auf drei verschiedene Arten zu analysen: Er analysiert den Inhalt des Signals selbst, den zeitlichen Ablauf der Ereignisse und die räumliche Beziehung zwischen den verschiedenen Kanälen. Durch die Trennung dieser Elemente kann das Modell die zugrunde liegenden Muster der Gehirnaktivität lernen, ohne die exakte physische Position jeder Elektrode kennen zu müssen. Es lernt zu erkennen, dass ein Signal aus einem Teil des Gehirns mit einem anderen Teil verbunden sein kann, selbst wenn diese Teile weit voneinander entfernt liegen, indem es einfach beobachtet, wie die elektrischen Wellen wandern und interagieren.

Um dieses System zu lehren, benötigten die Forscher eine enorme Menge an Daten, aber große, öffentliche Datensätze für diese spezielle Art von Gehirnaufzeichnungen waren rar zu finden. Als Reaktion darauf veröffentlichten sie den SWEC-iEEG-Datensatz, die größte Sammlung ihrer Art, die jemals der Öffentlichkeit zugänglich gemacht wurde. Dieser Datensatz enthält fast 10.000 Stunden Aufzeichnungen von 68 verschiedenen Patienten, die über ein Jahrzehnt in klinischen Umgebungen gesammelt wurden. Er umfasst tausende Stunden normaler Gehirnaktivität sowie hunderte aufgezeichnete Anfälle. Die Forscher trainierten ihr Modell mit einem Teil dieser Daten und brachten ihm bei, vorherzusagen, wie das elektrische Signal des Gehirns einige Sekunden in die Zukunft hinein aussehen würde. Dieser Trainingsprozess zwang das Modell dazu, die komplexe Dynamik zu verstehen, wie sich die Gehirnaktivität im Laufe der Zeit entwickelt. Nach dem Training testeten sie das Modell an Patienten, die es zuvor noch nie gesehen hatte, und baten es, zwei kritische Aufgaben auszuführen: erstens, zu erkennen, wann ein Anfall stattfindet, und zweitens, spezifische kognitive Aufgaben zu dekodieren, wie etwa das Erkennen von Sprache oder Lautstärke.

Die Ergebnisse waren beeindruckend. Wenn das Modell damit beauftragt wurde, Anfälle bei den neuen Patienten zu identifizieren, arbeitete es auf einem Niveau, das mit menschlichen Experten vergleichbar war. Im medizinischen Bereich sind sich Experten oft uneinig über den genauen Beginn und das Ende eines Anfalls, aber die Übereinstimmung des Modells mit den Ärzten war hoch genug, um als Expertenleistung zu gelten. Es identifizierte Anfälle erfolgreich bei einer Vielzahl von Patienten, selbst bei jenen mit sehr unterschiedlichen Elektroden-Setups und Anfallsmustern. Darüber hinaus übertraf das Modell bestehende, modernste Systeme, die auf älteren Methoden der Datenverarbeitung beruhen. Diese älteren Systeme scheiterten oft vollständig, wenn sie mit neuen, unbekannten Patienten konfrontiert wurden, da sie nicht in der Lage waren, ihr Wissen zu generalisieren. Das neue Modell hingegen behielt seine Genauigkeit bei und bewies, dass es die grundlegenden Regeln der Gehirnaktivität gelernt hatte, anstatt nur spezifische Patienteneinstellungen auswendig zu lernen. Es zeichnete sich auch bei der Dekodierung anderer Gehirnfunktionen aus, wie etwa der Unterscheidung zwischen verschiedenen Lautstärken oder der Identifizierung des Zeitpunkts, an dem eine Person zu sprechen begann, und übertraf damit auch frühere Modelle in diesen Bereichen.

Die Forscher testeten auch, ob dieser neue Ansatz außerhalb des spezifischen Kontextes von Gehirnsignalen funktioniert, indem sie ihn auf Standard-Zeitreihendaten wie Wettervorhersagen und Energieverbrauchsdaten anwandten. Bei diesen allgemeinen Aufgaben erreichte das Modell die Leistung der besten existierenden Werkzeuge oder übertraf sie sogar, was darauf hindeutet, dass die von ihnen entwickelte Methode ein leistungsstarkes, flexibles Werkzeug zur Analyse jeder komplexen Datenmenge ist, die sich über die Zeit verändert und aus mehreren Quellen besteht. Entscheidend war, dass das Team feststellte, dass die Fähigkeit des Modells, aus den Rohdaten zu lernen, essenziell war; eine Version des Modells, die nicht zuerst darauf trainiert worden war, zukünftige Gehirnzustände vorherzusagen, schnitt bei der Aufgabe der Anfallserkennung signifikant schlechter ab. Dies deutet darauf hin, dass die initiale Phase des Lernens, den nächsten Schritt des Gehirns zu antizipieren, entscheidend war, um ein System aufzubauen, das die Komplexität der menschlichen Physiologie wirklich verstehen kann.

Indem die Forscher sowohl das Modell als auch den massiven Datensatz der Öffentlichkeit zur Verfügung stellen, haben sie ein neues Fundament für das Fachgebiet geschaffen. Sie haben demonstriert, dass es möglich ist, eine künstliche Intelligenz zu entwickeln, die in der Lage ist, die chaotische, patientenspezifische Realität klinischer Gehirndaten zu navigieren, ohne dass ein perfektes, standardisiertes Setup für jeden einzelnen Patienten erforderlich ist. Das System muss nicht die exakte Karte der Elektroden eines Patienten kennen, um zu verstehen, was geschieht; es lernt die Verbindungen und Muster von selbst. Diese Arbeit deutet auf eine Zukunft hin, in der Computermodelle Ärzten in Echtzeit assistieren können, indem sie zuverlässige Erkenntnisse über die Gehirnaktivität bei diversen Patienten liefern, was potenziell zu schnelleren Diagnosen und einem besseren Management neurologischer Erkrankungen führen kann. Der Erfolg dieses Ansatzes markiert einen bedeutenden Schritt nach vorn, um die chaotischen, patientenspezifischen Daten des Gehirns in ein kohärentes, verständliches Signal zu verwandeln, das Maschinen lesen und von denen sie lernen können.