A foundation model with multi-variate parallel attention to generate neuronal activity

Het menselijk brein is een uitgestrekt, ingewikkeld netwerk van elektrische signalen, dat constant vuurt en communiceert om gedachte, beweging en sensatie in stand te houden. Om te begrijpen hoe deze machine werkt, en om te detecteren wanneer deze defect raakt, plaatsen artsen vaak kleine elektroden direct in de schedel. Deze procedure, bekend als intracraniële elektro-encefalografie, of iEEG, legt de ruwe elektrische activiteit van de hersenen met ongelooflijke precisie vast. De data die het produceert is echter berucht moeilijk te analyseren. In tegenstelling tot een standaard hartmonitor die een vaste set sensoren gebruikt, zijn iEEG-opstellingen uniek voor elke patiënt. Een arts kan twintig elektroden in het brein van de ene persoon plaatsen en tachtig in die van een ander, afhankelijk van waar de aanvallen vermoedelijk ontstaan. Deze variabiliteit betekent dat het aantal kanalen en hun specifieke locaties van persoon tot persoon verschillen, wat het voor traditionele computermodellen bijna onmogelijk maakt om van de ene patiënt te leren en die kennis toe te passen op de volgende. Jarenlang was dit gebrek aan een universele manier om deze verschuivende elektrische kaarten te lezen een grote barrière voor het ontwikkelen van slimme hulpmiddelen die artsen zouden kunnen helpen epilepsie effectiever te diagnosticeren en te behandelen.

Een team van onderzoekers heeft nu een nieuw soort kunstmatige intelligentie gebouwd die specifiek is ontworpen om deze hindernis te overwinnen. Ze creëerden een systeem genaamd MVPFormer, dat fungeert als een fundatiemodel voor menselijke hersenactiviteit. Denk aan een algemeen doelmodel dat de elektrische taal van de hersenen kan lezen, ongeacht hoeveel sensoren er zijn bevestigd of waar ze zijn geplaatst. De kern van dit systeem is een nieuwe manier van informatieverwerking genaamd multi-variate parallelle aandacht. In plaats van te proberen elke unieke elektrode-indeling van een patiënt in één enkel, rigide rooster te dwingen, stelt deze methode de computer in staat om de data op drie afzonderlijke manieren tegelijkertijd te analyseren: het analyseert de inhoud van het signaal zelf, de timing van de gebeurtenissen en de ruimtelijke relatie tussen de verschillende kanalen. Door deze elementen te scheiden, kan het model de onderliggende patronen van hersenactiviteit leren zonder dat het de exacte fysieke locatie van elke elektrode hoeft te kennen. Het leert te herkennen dat een signaal uit één deel van de hersenen verbonden kan zijn met een ander deel, zelfs als die delen ver uit elkaar liggen, simpelweg door te observeren hoe de elektrische golven reizen en interageren.

Om dit systeem te onderwijzen, hadden de onderzoekers een enorme hoeveelheid data nodig, maar grote, publieke datasets voor dit specifieke type hersenregistratie waren schaars. Als reactie daarop hebben zij de SWEC iEEG-dataset vrijgegeven, de grootste collectie van zijn soort die ooit publiekelijk beschikbaar is gemaakt. Deze dataset bevat bijna 10.000 uur aan opnames van 68 verschillende patiënten, verzameld over een decennium in klinische settings. Het bevat duizenden uren normale hersenactiviteit evenals honderden geregistreerde aanvallen. De onderzoekers trainden hun model op een deel van deze data, waarbij ze het leerden om te voorspellen hoe het elektrische signaal van de hersenen er enkele seconden in de toekomst uit zou zien. Dit trainingsproces dwong het model om de complexe dynamiek van hoe hersenactiviteit zich in de loop van de tijd ontwikkelt, te begrijpen. Eenmaal getraind, testten ze het model op patiënten die het nog nooit eerder had gezien, waarbij ze het twee cruciale taken lieten uitvoeren: eerst het detecteren wanneer een aanval plaatsvindt, en ten tweede het decoderen van specifieke cognitieve taken zoals het herkennen van spraak of volume.

De resultaten waren opmerkelijk. Wanneer het model de opdracht kreeg om aanvallen te identificeren bij de nieuwe patiënten, presteerde het op een niveau dat vergelijkbaar is met dat van menselijke experts. In de medische wereld zijn experts het vaak oneens over het exacte begin en einde van een aanval, maar de overeenkomst van het model met de artsen was hoog genoeg om als prestatie op expertniveau te worden beschouwd. Het identificeerde aanvallen succesvol bij een grote verscheidenheid aan patiënten, zelfs bij degenen met zeer verschillende elektrode-opstellingen en aanvalspatronen. Bovendien presteerde het model beter dan bestaande state-of-the-art systemen die vertrouwen op oudere methoden voor gegevensverwerking. Deze oudere systemen faalden vaak volledig wanneer ze geconfronteerd werden met nieuwe, onbekende patiënten, omdat ze niet in staat waren hun kennis te generaliseren. Het nieuwe model behield echter zijn nauwkeurigheid, wat bewees dat het de fundamentele regels van hersenactiviteit had geleerd in plaats van alleen specifieke patiënt-opstellingen te hebben onthouden. Het blonk ook uit in het decoderen van andere hersenfuncties, zoals het onderscheiden van verschillende geluidvolumes of het identificeren wanneer iemand begon te spreken, waarmee het ook de vorige modellen op deze gebieden overtrof.

De onderzoekers testten ook of deze nieuwe aanpak werkte buiten de specifieke context van hersensignalen, door het toe te passen op standaard tijdreeksgegevens zoals weersvoorspellingen en energieverbruikscijfers. Bij deze algemene taken evenaarde of overtrof het model de prestaties van de beste bestaande instrumenten, wat suggereert dat de methode die zij hebben ontwikkeld een krachtig, flexibel hulpmiddel is voor het analyseren van elke complexe data die in de loop van de tijd verandert en waarbij meerdere bronnen betrokken zijn. Cruciaal was dat het team ontdekte dat het vermogen van het model om van de ruwe data te leren essentieel was; een versie van het model die niet eerst getraind was om toekomstige hersentoestanden te voorspellen, presteerde aanzienlijk slechter op de taak van aanvaldetectie. Dit geeft aan dat de initiële fase van het leren anticiperen op de volgende stap van de hersenen essentieel was voor het bouwen van een systeem dat de complexiteit van de menselijke fysiologie werkelijk kon begrijpen.

Door zowel het model als de enorme dataset aan het publiek vrij te geven, hebben de onderzoekers een nieuw fundament voor het vakgebied gelegd. Ze hebben aangetoond dat het mogelijk is om een kunstmatige intelligentie te bouwen die de rommelige, variabele realiteit van klinische hersendata kan navigeren zonder dat een perfecte, gestandaardiseerde opstelling voor elke individuele patiënt vereist is. Het systeem hoeft niet de exacte kaart van de elektroden van een patiënt te kennen om te begrijpen wat er gebeurt; het leert de verbindingen en patronen zelfstandig. Dit werk suggereert een toekomst waarin computermodellen artsen in realtime kunnen ondersteunen, door betrouwbare inzichten te bieden in de hersenactiviteit bij diverse patiënten, wat potentieel kan leiden tot snellere diagnoses en een betere beheersing van neurologische aandoeningen. Het succes van deze aanpak markeert een belangrijke stap voorwaarts in het omzetten van de chaotische, patiëntspecifieke data van de hersenen naar een samenhangend, begrijpelijk signaal dat machines kunnen lezen en van leren.