Intrakraniel undersøgelse af neural kredsløb underliggende menneskelig stemning

Depression er en af ​​de mest almindelige lidelser i mental sundhed, som påvirker 7-8% af befolkningen og forårsager et enormt handicap for ramte individer og en økonomisk byrde for samfundet. For at optimere eksisterende behandlinger og udvikle forbedrede, har efterforskerne brug for en dybere forståelse af det mekanistiske grundlag for denne komplekse lidelse. Tidligere arbejde på dette område har gjort vigtige fremskridt, men har to hovedbegrænsninger. (1) De fleste undersøgelser har brugt ikke-invasive og derfor upræcise målinger af hjerneaktivitet. (2) Black box-modellering, der bruges til at forbinde neural aktivitet med adfærd, er stadig vanskelig at fortolke, og selvom den nogle gange er vellykket med at beskrive aktivitet inden for visse sammenhænge, ​​kan den ikke generalisere til nye situationer, give mekanistisk indsigt eller effektivt guide terapeutiske interventioner. For at overvinde disse udfordringer kombinerer efterforskerne præcise intrakranielle neurale optagelser hos mennesker med en række nye forklarlig kunstig intelligens (XAI) tilgange. Efterforskerne har samlet et team af eksperimentelle og beregningseksperter med samlet erfaring tilstrækkelig til denne opgave. Vores unikke datasæt omfatter to grupper af forsøgspersoner: Epilepsikohorten består af patienter med refraktær epilepsi, der gennemgår intrakraniel anfaldsmonitorering, og Depressionskohorten består af forsøgspersoner i et NIH/BRAIN-finansieret forskningsforsøg med dyb hjernestimulering til behandlingsresistent depression (TRD) ). Som helhed giver dette datasæt præcise, spatiotemporalt opløste humane intrakranielle optagelser og stimuleringsdata på tværs af et bredt dynamisk område af depressions sværhedsgrad. Vores mål anvender en progressiv tilgang til modellering og manipulering af hjerne-adfærdsforhold. Mål 1 søger at identificere træk ved neural aktivitet forbundet med humørtilstande. Begyndende med de nuværende state-of-the-art AI-modeller og bruger derefter en "stige"-tilgang til at bygge bro til modeller med stigende udtryksevne, mens den påtvinger en mekanistisk forklarelig struktur. Mens Mål 1 fokuserer på selvrapporteret humørniveau som det adfærdsmæssige indeks af interesse, bruger Mål 2 en alternativ tilgang til at fokusere på målbare neurobiologiske træk inspireret af Research Domain Criteria (RDoC). Disse funktioner, såsom belønningsfølsomhed, tabaversion, executive opmærksomhed osv. udvindes fra adfærdsmæssig opgaveudførelse ved hjælp af en ny "invers rationel kontrol" XAI-tilgang.

At relatere disse mål til neurale aktivitetsmønstre giver yderligere mekanistisk og normativ forståelse af depressionens neurobiologi. Mål 3 bruger tilbagevendende neurale netværk til at modellere konsekvenserne af rigt varierede mønstre af multi-site intrakraniel stimulering på neural aktivitet. Derefter anvender en innovativ "inception loop" XAI-tilgang til at udlede stimuleringsstrategier for åben og lukket sløjfe kontrol, der kan drive det neurale system mod en ønsket, sundere tilstand. Hvis det lykkes, vil dette projekt forbedre vores forståelse af depressionens patofysiologi og forbedre neuromodulatoriske behandlingsstrategier. Dette kan også anvendes på en lang række andre neurologiske og psykiatriske lidelser, hvilket tager et vigtigt skridt hen imod XAI-guidet præcisionsneurovidenskab.