Voiko tekoäly löytää merkityksellisiä kaavoja aivoaaltojen joukosta ?

Mikä muodostaa 'merkityksellisen' aivosignaaleissa havaittavan mallin? Nykyiset tekoälyjärjestelmät ovat erinomaisia havaitsemaan ja luokittelemaan elektroenkefalografia (EEG) -signaaleja tiettyihin tehtäviin, mutta haasteena on paljastaa sellaisia malleja, jotka ovat sekä tulkittavissa että yleistettävissä eri yksilöiden ja olosuhteiden välillä. Tällaisen tavoittelun ajama innovaatio syvän oppimisen ja neuroteknologian alalla kohtaa kuitenkin vielä keskeisiä esteitä ennen kuin näitä oivalluksia voidaan soveltaa kliinisesti tai kognitiivisesti.

Background

Elektroenkefalografia (EEG) mittaa aivojen sähköistä toimintaa, koodaten runsasta mutta meluista informaatiota ajan ja taajuusdomaanien yli. Syväoppimismallit, erityisesti konvoluutioneuraaliverkot (CNN:t) ja transformerit, ovat osoittaneet yli-inhimillistä tarkkuutta tehtävissä, kuten kohtausten ennustaminen (Acharya ym., 2018), unen vaiheiden tunnistaminen (Phan ym., 2019) sekä motorisen kuvittelun purkaminen (Lawhern ym., 2018). Nämä mallit hyödyntävät EEG-signaalien spatiaalisia ja temporaalisia malleja, usein saavuttaen korkean suorituskyvyn vertailutesteissä. Mallien tulkittavuus kuitenkin rajoittuu, sillä oppimansa representaatioiden ei välttämättä vastaa vakiintunutta neurofysiologista tietämystä (esim. spektrikaistoja tai tunnettuja neuronaalisia korrelaatteja) (Schirrmeister ym., 2017; Roy ym., 2019).

Subjektiivinen vaihtelu ja epästationaarisuus vaikeuttavat lisäksi mallien muodostamista. EEG-signaalit vaihtelevat merkittävästi yksilöittäin anatomisten erojen, kognitiivisten tilojen sekä ulkoisten tekijöiden (esim. elektrodien sijoittelu tai ympäristön melu) vuoksi, mikä heikentää yleistettävyyttä (Kostas ym., 2021). Itseohjautuvat oppimismenetelmät, kuten kontrastiivinen tai peitelty EEG-mallinnus, pyrkivät oppimaan robusteja representaatioita ilman merkintöjä, parantaen siirrettävyyttä (Mohsenvand ym., 2020; Banville ym., 2020). Kausaalisen päättelyn menetelmät pyrkivät erottamaan satunnaiset korrelaatiot mekanistisista suhteista EEG-datassa, vaikkakin niiden kliininen sovellettavuus on vielä tutkimuksen alla (Runge ym., 2019).

Edistyksestä huolimatta tekoälypohjaisen aivosignaalianalyysin laajamittainen käyttöönotto kohtaa esteitä. Tulevaisuuden validointi todellisissa olosuhteissa sekä esikäsittelyputkien ja arviointimetriikkojen standardisointi ovat kriittisiä (Jing ym., 2023). Nykyinen tutkimus korostaa kuilun ylittämistä korkean suorituskyvyn tekoälyn ja kliinisesti merkityksellisten oivallusten välillä, tasapainottaen ennustekykyä biologisen uskottavuuden kanssa.