Kan AI betekenisvolle patronen vinden in hersengolven ?

Wat vormt een 'betekenisvol' patroon in hersengolven? Huidige AI-systemen blinken uit in het detecteren en classificeren van elektro-encefalografie (EEG)-signalen voor specifieke taken, maar de uitdaging ligt in het ontdekken van patronen die zowel interpreteerbaar zijn als generaliseerbaar over individuen en omstandigheden. De zoektocht naar dergelijke patronen drijft innovatie in deep learning en neurotechnologie, maar er blijven belangrijke obstakels bestaan voordat deze inzichten klinisch of cognitief toegepast kunnen worden.

Background

Elektro-encefalografie (EEG) meet elektrische activiteit in de hersenen, waarbij rijke maar ruisachtige informatie wordt gecodeerd over tijd en frequentiedomeinen. Deep learning-modellen, met name convolutionele neurale netwerken (CNN's) en transformers, hebben bovenmenselijke nauwkeurigheid aangetoond voor taken zoals voorspelling van epileptische aanvallen (Acharya et al., 2018), slaapstadia-indeling (Phan et al., 2019) en decodering van motorische verbeelding (Lawhern et al., 2018). Deze modellen benutten ruimtelijke en temporele patronen in EEG-signalen en behalen vaak hoge prestaties op benchmarks. Hun interpreteerbaarheid blijft echter beperkt, omdat geleerde representaties mogelijk niet overeenkomen met gevestigde neurofysiologische kennis (bijv. spectrale banden of bekende neurale correlaten) (Schirrmeister et al., 2017; Roy et al., 2019).

Inter-subjectvariabiliteit en niet-stationariteit bemoeilijken verder het extraheren van patronen. EEG-signalen variëren aanzienlijk tussen individuen door anatomische verschillen, cognitieve toestanden en externe factoren (bijv. elektrodeplaatsing of omgevingslawaai), wat de generalisatieprestaties vermindert (Kostas et al., 2021). Zelf-gesuperviseerde leermethoden, zoals contrastieve of gemaskeerde EEG-modellering, proberen robuuste representaties te leren zonder gelabelde data, wat de overdraagbaarheid verbetert (Mohsenvand et al., 2020; Banville et al., 2020). Causale inferentiemethoden proberen valse correlaties te ontwarren van mechanistische relaties in EEG-data, hoewel hun klinische toepasbaarheid nog onderzocht wordt (Runge et al., 2019).

Ondanks vooruitgang worden er barrières ervaren bij de brede adoptie van AI-gestuurde analyse van hersengolven. Prospectieve validatie in echte omgevingen en standaardisatie van preprocessing-pijplijnen en evaluatiemetrieken zijn cruciaal (Jing et al., 2023). Huidig onderzoek benadrukt het overbruggen van de kloof tussen hoogpresterende AI en klinisch betekenisvolle inzichten, waarbij een balans wordt gevonden tussen voorspellende kracht en biologische plausibiliteit.