Intrakranielle Untersuchung neuronaler Schaltkreise, die der menschlichen Stimmung zugrunde liegen

Depression ist eine der häufigsten Störungen der psychischen Gesundheit, von der 7–8 % der Bevölkerung betroffen sind und die zu erheblichen Behinderungen bei den Betroffenen sowie zu einer wirtschaftlichen Belastung für die Gesellschaft führt. Um bestehende Behandlungen zu optimieren und verbesserte zu entwickeln, benötigen die Forscher ein tieferes Verständnis der mechanistischen Grundlagen dieser komplexen Störung. Frühere Arbeiten in diesem Bereich haben wichtige Fortschritte gemacht, weisen jedoch zwei wesentliche Einschränkungen auf. (1) Die meisten Studien verwendeten nicht-invasive und daher ungenaue Messungen der Gehirnaktivität. (2) Black-Box-Modelle, die dazu verwendet werden, neuronale Aktivität mit Verhalten zu verknüpfen, sind nach wie vor schwer zu interpretieren, und obwohl sie manchmal bei der Beschreibung von Aktivitäten in bestimmten Kontexten erfolgreich sind, lassen sie sich möglicherweise nicht auf neue Situationen übertragen, liefern keine mechanistischen Erkenntnisse und leiten therapeutische Interventionen nicht effizient. Um diese Herausforderungen zu meistern, kombinieren die Forscher präzise intrakranielle neuronale Aufzeichnungen beim Menschen mit einer Reihe neuer eXplainable Artificial Intelligence (XAI)-Ansätze. Die Forscher haben ein Team aus Experimentatoren und Computerexperten zusammengestellt, die über ausreichend Erfahrung für diese Aufgabe verfügen. Unser einzigartiger Datensatz umfasst zwei Gruppen von Probanden: Die Epilepsie-Kohorte besteht aus Patienten mit refraktärer Epilepsie, die sich einer intrakraniellen Anfallsüberwachung unterziehen, und die Depressionskohorte besteht aus Probanden in einer NIH/BRAIN-finanzierten Forschungsstudie zur Tiefenhirnstimulation bei behandlungsresistenter Depression (TRD). ). Insgesamt liefert dieser Datensatz präzise, ​​räumlich und zeitlich aufgelöste intrakranielle Aufzeichnungs- und Stimulationsdaten des Menschen über einen weiten dynamischen Bereich der Depressionsschwere. Unsere Ziele verfolgen einen fortschrittlichen Ansatz zur Modellierung und Manipulation von Gehirn-Verhaltensbeziehungen. Ziel 1 zielt darauf ab, Merkmale neuronaler Aktivität zu identifizieren, die mit Stimmungszuständen verbunden sind. Beginnend mit aktuellen, hochmodernen KI-Modellen und dann mit einem „Leiter“-Ansatz, um eine Brücke zu Modellen mit zunehmender Ausdruckskraft zu schlagen und gleichzeitig eine mechanistisch erklärbare Struktur aufzuerlegen. Während sich Ziel 1 auf das selbstberichtete Stimmungsniveau als interessierenden Verhaltensindex konzentriert, verwendet Ziel 2 einen alternativen Ansatz, bei dem der Fokus auf messbaren neurobiologischen Merkmalen liegt, die von den Research Domain Criteria (RDoC) inspiriert sind. Diese Merkmale wie Belohnungssensitivität, Verlustaversion, Aufmerksamkeit von Führungskräften usw. werden mithilfe eines neuartigen XAI-Ansatzes der „inversen rationalen Kontrolle“ aus der Leistung von Verhaltensaufgaben extrahiert.

Die Verknüpfung dieser Messungen mit neuronalen Aktivitätsmustern liefert ein zusätzliches mechanistisches und normatives Verständnis der Neurobiologie der Depression. Ziel 3 nutzt wiederkehrende neuronale Netze, um die Auswirkungen vielfältiger Muster der intrakraniellen Stimulation an mehreren Standorten auf die neuronale Aktivität zu modellieren. Anschließend wird ein innovativer „Inception Loop“-XAI-Ansatz eingesetzt, um Stimulationsstrategien für die Steuerung mit offenem und geschlossenem Regelkreis abzuleiten, die das neuronale System in einen gewünschten, gesünderen Zustand treiben können. Im Erfolgsfall würde dieses Projekt unser Verständnis der Pathophysiologie der Depression verbessern und neuromodulatorische Behandlungsstrategien verbessern. Dies kann auch auf eine Vielzahl anderer neurologischer und psychiatrischer Erkrankungen angewendet werden und stellt einen wichtigen Schritt in Richtung XAI-gesteuerter Präzisionsneurowissenschaft dar.