Kan AI finde meningsfulde mønstre i hjerneaktivitet ?

Hvad udgør et 'meningsfyldt' mønster i hjerneaktivitet? Nuværende AI-systemer udmærker sig til at opdage og klassificere elektroencefalografi (EEG)-signaler til specifikke opgaver, men udfordringen ligger i at afdække mønstre, der både er fortolkelige og generaliserbare på tværs af individer og tilstande. Jagten på sådanne mønstre driver innovation inden for dyb læring og neuroteknologi, men der er stadig væsentlige barrierer, før disse indsigter kan anvendes klinisk eller kognitivt.

Background

Elektroencefalografi (EEG) måler elektrisk aktivitet i hjernen og koder rig, men støjfyldt information på tværs af tid og frekvensdomæner. Dyb læring-modeller, især konvolutionelle neurale netværk (CNN'er) og transformere, har vist overmenneskelig nøjagtighed for opgaver som anfaldsforudsigelse (Acharya et al., 2018), søvnstadieklassificering (Phan et al., 2019) og afkodning af motorisk forestilling (Lawhern et al., 2018). Disse modeller udnytter rumlige og tidsmæssige mønstre i EEG-signaler og opnår ofte høj ydeevne på benchmarks. Deres fortolkelighed er dog begrænset, da lærte repræsentationer muligvis ikke stemmer overens med etableret neurofysiologisk viden (f.eks. spektralbånd eller kendte neurale korrelater) (Schirrmeister et al., 2017; Roy et al., 2019).

Inter-individuel variabilitet og ikke-stationaritet komplicerer yderligere mønsterudtrækning. EEG-signaler varierer betydeligt mellem individer på grund af anatomiske forskelle, kognitive tilstande og eksterne faktorer (f.eks. elektrodeplacering eller miljøstøj), hvilket reducerer generaliseringsydelsen (Kostas et al., 2021). Selvsuperviserede læringsmetoder, såsom kontrastiv eller maskeret EEG-modellering, sigter mod at lære robuste repræsentationer uden mærkede data og forbedrer overførbarheden (Mohsenvand et al., 2020; Banville et al., 2020). Kausale inferensmetoder forsøger at adskille falske korrelationer fra mekanistiske forhold i EEG-data, selvom deres kliniske anvendelighed stadig undersøges (Runge et al., 2019).

På trods af fremskridt er der barrierer for udbredt anvendelse af AI-dreven hjerneaktivitetsanalyse. Prospektiv validering i virkelige omgivelser og standardisering af præprocesseringspipelines og evalueringsmetrikker er afgørende (Jing et al., 2023). Nuværende forskning lægger vægt på at overvinde kløften mellem højtydende AI og klinisk meningsfulde indsigter ved at balancere prædiktiv kraft med biologisk plausibilitet.