Poate AI găsi modele semnificative în undele cerebrale ?

Ce constituie un model „semnificativ” în undele cerebrale? Sistemele actuale de inteligență artificială excellează în detectarea și clasificarea semnalelor electroencefalografice (EEG) pentru sarcini specifice, însă provocarea constă în descoperirea unor modele care să fie atât interpretabile, cât și generalizabile între indivizi și condiții. Căutarea unor astfel de modele stimulează inovația în învățarea profundă și neurotehnologie, dar rămân obstacole majore înainte ca aceste perspective să poată fi aplicate clinic sau cognitiv.

Background

Electroencefalografia (EEG) măsoară activitatea electrică din creier, codificând informații bogate, dar zgomotoase, în domeniile temporal și de frecvență. Modelele de învățare profundă, în special rețelele neuronale convoluționale (CNN) și transformerele, au demonstrat o precizie superioară celei umane pentru sarcini precum predicția crizelor epileptice (Acharya et al., 2018), clasificarea stadiilor de somn (Phan et al., 2019) și decodificarea imaginației motorii (Lawhern et al., 2018). Aceste modele exploatează modele spațiale și temporale în semnalele EEG, obținând adesea performanțe ridicate în benchmark-uri. Cu toate acestea, interpretabilitatea lor rămâne limitată, deoarece reprezentările învățate pot să nu corespundă cu cunoștințele neurofiziologice stabilite (de exemplu, benzile spectrale sau corelații neurale cunoscute) (Schirrmeister et al., 2017; Roy et al., 2019).

Variabilitatea dintre subiecți și nonstaționaritatea complică în continuare extragerea modelelor. Semnalele EEG variază semnificativ între indivizi din cauza diferențelor anatomice, stărilor cognitive și factorilor externi (de exemplu, plasarea electrozilor sau zgomotul ambiental), reducând performanța de generalizare (Kostas et al., 2021). Abordările de învățare auto-supervizată, precum modelarea contrastivă sau mascată a EEG, urmăresc să învețe reprezentări robuste fără date etichetate, îmbunătățind transferabilitatea (Mohsenvand et al., 2020; Banville et al., 2020). Metodele de inferență cauzală încearcă să descompună corelațiile spurii de relațiile mecanistice din datele EEG, deși aplicabilitatea lor clinică este încă în investigație (Runge et al., 2019).

În ciuda progreselor, adoptarea pe scară largă a analizei undelor cerebrale bazate pe AI se confruntă cu bariere. Validarea prospectivă în contexte reale și standardizarea fluxurilor de prelucrare și a metricilor de evaluare sunt critice (Jing et al., 2023). Cercetările actuale pun accent pe reducerea decalajului dintre performanța ridicată a AI și perspectivele clinic semnificative, echilibrând puterea predictivă cu plauzibilitatea biologică.