Ihmisen mielialan taustalla olevan hermoston kallonsisäinen tutkimus

Masennus on yksi yleisimmistä mielenterveyden häiriöistä, joka vaikuttaa 7–8 %:iin väestöstä ja aiheuttaa valtavia vammoja kärsiville yksilöille ja taloudellista taakkaa yhteiskunnalle. Optimoidakseen olemassa olevia hoitoja ja kehittääkseen parempia hoitoja, tutkijoiden on ymmärrettävä tämän monimutkaisen häiriön mekanistinen perusta. Aiempi työ tällä alalla on edistynyt merkittävästi, mutta sillä on kaksi päärajoitusta. (1) Useimmissa tutkimuksissa on käytetty ei-invasiivisia ja siksi epätarkkoja aivotoiminnan mittareita. (2) Mustan laatikon mallinnus, jota käytetään yhdistämään hermotoimintaa käyttäytymiseen, on edelleen vaikeasti tulkittavissa, ja vaikka se joskus onnistuukin kuvaamaan toimintaa tietyissä yhteyksissä, se ei välttämättä yleisty uusiin tilanteisiin, anna mekaanista näkemystä tai ohjaa tehokkaasti terapeuttisia interventioita. Voittaakseen nämä haasteet tutkijat yhdistävät tarkat kallonsisäiset hermotallenteet ihmisillä uusien eXplainable Artificial Intelligence (XAI) -lähestymistapojen kanssa. Tutkijat ovat koonneet ryhmän kokeilijoita ja laskennan asiantuntijoita, joilla on tähän tehtävään riittävä kokemus. Ainutlaatuinen tietoaineistomme koostuu kahdesta ryhmästä: epilepsiakohortti koostuu refraktaarista epilepsiaa sairastavista potilaista, joille tehdään kallonsisäisten kohtausten seurantaa, ja masennuskohortti koostuu henkilöistä, jotka osallistuvat NIH/BRAIN-rahoitteiseen tutkimustutkimukseen, jossa tutkitaan syvää aivostimulaatiota hoitoresistentin masennuksen hoidossa (TRD). ). Kokonaisuutena tämä tietojoukko tarjoaa tarkat, spatiotemporaalisesti erotetut ihmisen kallonsisäiset tallennus- ja stimulaatiotiedot laajalla dynaamisella masennuksen vakavuusalueella. Tavoitteemme soveltavat progressiivista lähestymistapaa aivokäyttäytymissuhteiden mallintamiseen ja manipulointiin. Tavoite 1 pyrkii tunnistamaan mielialatiloihin liittyvän hermotoiminnan piirteet. Alkaen nykyisistä huipputeknologisista tekoälymalleista ja käyttää sitten "tikkaat" -lähestymistapaa muodostaakseen sillan lisääntyvän ilmeisyyden malleihin samalla, kun se asettaa mekaanisesti selitettävän rakenteen. Tavoite 1 keskittyy itse ilmoittamaan mielialatasoon kiinnostavana käyttäytymisindeksinä, kun taas Tavoite 2 käyttää vaihtoehtoista lähestymistapaa, jossa keskitytään mitattavissa oleviin neurobiologisiin piirteisiin, jotka ovat saaneet vaikutteita Research Domain Criteriasta (RDoC). Nämä ominaisuudet, kuten palkitsemisherkkyys, tappioiden karttaminen, johdon huomio, jne. on erotettu käyttäytymistehtävien suorituskyvystä käyttämällä uutta "käänteistä rationaalista ohjausta" XAI-lähestymistapaa.

Näiden toimenpiteiden liittäminen hermotoiminnan malleihin tarjoaa lisää mekaanista ja normatiivista ymmärrystä masennuksen neurobiologiasta. Tavoitteessa 3 käytetään toistuvia hermoverkkoja mallintamaan monikohtaisen kallonsisäisen stimulaation rikkaasti vaihtelevien mallien seurauksia hermotoimintaan. Sitten käytetään innovatiivista "alkusilmukan" XAI-lähestymistapaa stimulaatiostrategioiden johtamiseen avoimen ja suljetun silmukan ohjaukseen, joka voi ohjata hermojärjestelmää kohti haluttua, terveellisempää tilaa. Jos projekti onnistuu, se parantaisi ymmärrystämme masennuksen patofysiologiasta ja parantaisi neuromodulatorisia hoitostrategioita. Tätä voidaan soveltaa myös moniin muihin neurologisiin ja psykiatrisiin sairauksiin, mikä ottaa tärkeän askeleen kohti XAI-ohjattua tarkkuusneurologiaa.