Intrakraniell undersökning av neurala kretslopp som ligger bakom mänskligt humör

Depression är en av de vanligaste störningarna av psykisk hälsa, som drabbar 7-8% av befolkningen och orsakar enorma funktionshinder för drabbade individer och ekonomisk börda för samhället. För att optimera befintliga behandlingar och utveckla förbättrade, behöver utredarna en djupare förståelse för den mekanistiska grunden för denna komplexa sjukdom. Tidigare arbete på detta område har gjort viktiga framsteg men har två huvudsakliga begränsningar. (1) De flesta studier har använt icke-invasiva och därför oprecisa mått på hjärnaktivitet. (2) Black box-modellering som används för att koppla neural aktivitet till beteende är fortfarande svår att tolka, och även om den ibland lyckas med att beskriva aktivitet i vissa sammanhang, kanske den inte generaliserar till nya situationer, ger mekanistisk insikt eller effektivt vägleder terapeutiska interventioner. För att övervinna dessa utmaningar kombinerar utredarna exakta intrakraniella neurala inspelningar hos människor med en rad nya förklarliga artificiella intelligenser (XAI). Utredarna har satt ihop ett team av experimentalister och beräkningsexperter med samlad erfarenhet som är tillräcklig för denna uppgift. Vår unika datauppsättning består av två grupper av försökspersoner: Epilepsikohorten består av patienter med refraktär epilepsi som genomgår intrakraniell anfallsövervakning, och Depressionskohorten består av försökspersoner i en NIH/BRAIN-finansierad forskningsstudie av djup hjärnstimulering för behandlingsresistent depression (TRD) ). Som helhet tillhandahåller denna datauppsättning exakta, spatiotemporalt lösta mänskliga intrakraniell inspelning och stimuleringsdata över ett brett dynamiskt område av svårighetsgrad av depression. Våra mål tillämpar ett progressivt tillvägagångssätt för att modellera och manipulera hjärn-beteenderelationer. Syfte 1 strävar efter att identifiera egenskaper hos neural aktivitet som är förknippade med humörtillstånd. Börjar med nuvarande toppmoderna AI-modeller och använder sedan en "stege"-metod för att överbrygga modeller med ökande uttrycksförmåga samtidigt som den påtvingar en mekanistiskt förklarabar struktur. Medan Mål 1 fokuserar på självrapporterad humörnivå som beteendeindex av intresse, använder Mål 2 ett alternativt tillvägagångssätt för att fokusera på mätbara neurobiologiska egenskaper inspirerade av Research Domain Criteria (RDoC). Dessa egenskaper, såsom belöningskänslighet, förlustaversion, chefsuppmärksamhet, etc. extraheras från beteendeuppdragsutförande med hjälp av en ny "invers rationell kontroll" XAI-metod.

Att relatera dessa åtgärder till neurala aktivitetsmönster ger ytterligare mekanistisk och normativ förståelse av depressionens neurobiologi. Mål 3 använder återkommande neurala nätverk för att modellera konsekvenserna av rikt varierade mönster av intrakraniell stimulering på flera platser på neural aktivitet. Sedan använder man en innovativ "inception loop" XAI-metod för att härleda stimuleringsstrategier för öppen- och sluten-loop-kontroll som kan driva det neurala systemet mot ett önskat, hälsosammare tillstånd. Om det blir framgångsrikt skulle detta projekt förbättra vår förståelse av depressionens patofysiologi och förbättra neuromodulatoriska behandlingsstrategier. Detta kan också tillämpas på en mängd andra neurologiska och psykiatriska störningar, vilket tar ett viktigt steg mot XAI-vägledd precisionsneurovetenskap.