MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
L'article présente MtReNIRS, un modèle de fondation auto-supervisé préentraîné sur 12 ensembles de données fNIRS diversifiés qui apprend des représentations neurovasculaires généralisables en mappant des montages hétérogènes vers une référence anatomique partagée, atteignant ainsi une performance inter-sujets et un étalonnage à peu d'exemples supérieurs aux méthodes existantes.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le cerveau humain est un moteur complexe, et les scientifiques cherchent depuis longtemps des moyens d'écouter ses pensées sans ouvrir le crâne. Un outil prometteur pour cela est la spectroscopie de proche infrarouge fonctionnelle, ou fNIRS. Contrairement aux machines volumineuses et stationnaires utilisées dans les hôpitaux, la fNIRS utilise une casquette portable équipée de capteurs de lumière. Ces capteurs projettent de la lumière proche infrarouge à travers le cuir chevelu et mesurent la quantité absorbée par le sang qui circule en dessous. Comme les cellules cérébrales actives nécessitent plus d'oxygène, le flux sanguin change selon des schémas spécifiques lorsqu'une personne pense, bouge ou ressent quelque chose. En suivant ces changements, les chercheurs peuvent voir quelles parties du cerveau sont en activité. Cependant, transformer ces lectures lumineuses en une image claire de l'activité cérébrale a été difficile. Chaque laboratoire de recherche utilise des casquettes différentes, avec des capteurs placés à des endroits différents, et les signaux qu'ils capturent sont souvent désordonnés et uniques à la personne qui les porte. Cela a rendu difficile la création d'un programme informatique unique capable de comprendre les signaux cérébraux de n'importe qui, n'importe où, avec n'importe quel appareil.
Une équipe de chercheurs a maintenant franchi une étape significative vers la résolution de ce problème en créant un nouveau type de modèle d'intelligence artificielle appelé MtReNIRS. Au lieu d'apprendre à un ordinateur à reconnaître l'activité cérébrale provenant d'une seule personne ou d'une expérience spécifique, ils l'ont entraîné sur une collecte massive de données recueillies à partir de douze études différentes. Ce jeu de données comprenait des enregistrements de 268 personnes différentes, totalisant plus de 567 heures d'activité cérébrale. Les données couvraient une grande variété de tâches, allant de la résolution de problèmes mathématiques à l'écoute de la parole et au mouvement des mains. Le défi était que ces enregistrements n'étaient pas uniformes ; certains utilisaient des casquettes avec de nombreux capteurs, d'autres avec peu, et les capteurs étaient disposés selon des configurations différentes sur la tête. Pour donner un sens à ce chaos, les chercheurs ont développé une méthode pour traduire chaque configuration de capteurs unique en une carte commune du cerveau. Ils ont traité le cerveau comme une grille standard, faisant correspondre les capteurs de chaque casquette différente aux mêmes emplacements correspondants sur cette carte partagée. Cela a permis à l'ordinateur de comprendre qu'un signal provenant de l'« avant » du cerveau signifie la même chose, quel que soit le capteur ou l'appareil spécifique qui l'a capturé.
Le modèle lui-même fonctionne en apprenant à combler les lacunes. Les chercheurs ont montré à l'ordinateur des milliers de courts clips d'activité cérébrale, mais ont délibérément caché de petits morceaux de données, demandant au modèle de deviner ce qui manquait en se basant sur les informations environnantes. Ce processus, connu sous le nom d'apprentissage auto-supervisé, a forcé l'ordinateur à comprendre les règles sous-jacentes de la circulation sanguine dans le cerveau, plutôt que de simplement mémoriser des réponses spécifiques. Parce que le modèle a été entraîné sur un ensemble aussi diversifié de personnes et de tâches, il a acquis une compréhension générale du fonctionnement du cerveau. Lorsque les chercheurs ont testé ce modèle sur de nouvelles personnes qu'il n'avait jamais vues auparavant, il a obtenu des performances égales ou supérieures aux méthodes traditionnelles qui nécessitent un entraînement approfondi pour chaque individu. Le modèle s'est révélé particulièrement puissant lorsqu'une infime quantité de nouvelles données était disponible. Dans les situations où un utilisateur ne pouvait fournir que quelques exemples de sa propre activité cérébrale, le modèle s'adaptait rapidement et avec précision, surpassant les systèmes de pointe précédents.
L'étude a également révélé que la manière dont les capteurs étaient cartographiés sur le cerveau était cruciale. Lorsque les chercheurs ont testé une version du modèle où les emplacements des capteurs étaient brouillés, sa capacité à comprendre de nouvelles personnes a chuté de manière significative. Cela a confirmé que le modèle n'apprenait pas seulement la forme des ondes, mais apprenait réellement la relation entre l'emplacement physique des capteurs et les régions cérébrales qu'ils surveillaient. De plus, le modèle est resté efficace même lorsque le nombre de capteurs était réduit, suggérant qu'il pourrait fonctionner avec des dispositifs portables plus simples et plus confortables à l'avenir. Bien que les chercheurs aient noté que le modèle fait toujours face à des défis liés aux différences naturelles entre les individus, telles que les variations de l'épaisseur du crâne ou des motifs des vaisseaux sanguins, leur travail démontre qu'un système unique et flexible peut apprendre à lire le langage du cerveau à travers différentes personnes et différents appareils. Cette approche offre une voie évolutive vers des interfaces cerveau-machine plus accessibles, où la technologie peut s'adapter à l'utilisateur plutôt que de forcer l'utilisateur à s'adapter à la technologie.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.