Intrakraniell undersøkelse av nevrale kretsløp som ligger til grunn for menneskelig stemning

Depresjon er en av de vanligste lidelsene for psykisk helse, som påvirker 7-8 % av befolkningen og forårsaker enorm funksjonshemming for plagete individer og økonomisk byrde for samfunnet. For å optimere eksisterende behandlinger og utvikle forbedrede, trenger etterforskerne en dypere forståelse av det mekanistiske grunnlaget for denne komplekse lidelsen. Tidligere arbeid på dette området har gjort viktige fremskritt, men har to hovedbegrensninger. (1) De fleste studier har brukt ikke-invasive og derfor upresise mål på hjerneaktivitet. (2) Black box-modellering som brukes til å knytte nevral aktivitet til atferd, er fortsatt vanskelig å tolke, og selv om det noen ganger lykkes med å beskrive aktivitet innenfor visse kontekster, kan det ikke generaliseres til nye situasjoner, gi mekanistisk innsikt eller effektivt veilede terapeutiske intervensjoner. For å overvinne disse utfordringene, kombinerer etterforskerne presise intrakranielle nevrale opptak hos mennesker med en rekke nye tilnærminger med forklarlig kunstig intelligens (XAI). Etterforskerne har satt sammen et team av eksperimentelle og beregningseksperter med samlet erfaring tilstrekkelig for denne oppgaven. Vårt unike datasett består av to grupper av emner: Epilepsi-kohorten består av pasienter med refraktær epilepsi som gjennomgår intrakraniell anfallsovervåking, og depresjonskohorten består av emner i en NIH/BRAIN-finansiert forskningsstudie av dyp hjernestimulering for behandlingsresistent depresjon (TRD) ). Som helhet gir dette datasettet presise, spatiotemporalt løste humane intrakranielle opptak og stimuleringsdata over et bredt dynamisk spekter av alvorlighetsgrad av depresjon. Våre mål bruker en progressiv tilnærming til modellering og manipulering av hjerne-atferdsforhold. Mål 1 søker å identifisere trekk ved nevral aktivitet assosiert med humørtilstander. Begynner med dagens toppmoderne AI-modeller og bruker deretter en "stige"-tilnærming for å bygge bro til modeller med økende uttrykksevne samtidig som den pålegger en mekanistisk forklarbar struktur. Mens mål 1 fokuserer på selvrapportert humørnivå som atferdsindeksen av interesse, bruker mål 2 en alternativ tilnærming for å fokusere på målbare nevrobiologiske egenskaper inspirert av Research Domain Criteria (RDoC). Disse funksjonene, som belønningsfølsomhet, tapsaversjon, executive-oppmerksomhet, etc. er hentet fra atferdsmessige oppgaveutførelse ved å bruke en ny "invers rasjonell kontroll" XAI-tilnærming.

Å relatere disse målene til nevrale aktivitetsmønstre gir ytterligere mekanistisk og normativ forståelse av nevrobiologien til depresjon. Mål 3 bruker tilbakevendende nevrale nettverk for å modellere konsekvensene av rikt varierte mønstre av multi-site intrakraniell stimulering på nevral aktivitet. Deretter bruker en innovativ "inception loop" XAI-tilnærming for å utlede stimuleringsstrategier for åpen og lukket sløyfekontroll som kan drive nevralesystemet mot en ønsket, sunnere tilstand. Hvis det lykkes, vil dette prosjektet forbedre vår forståelse av patofysiologien til depresjon og forbedre nevromodulerende behandlingsstrategier. Dette kan også brukes på en rekke andre nevrologiske og psykiatriske lidelser, og tar et viktig skritt mot XAI-veiledet presisjonsnevrovitenskap.