Måling av humør gjennom kunstig intelligens
Hvis du har kreft, diabetes eller til og med en alvorlig forkjølelse, kan tilstanden din overvåkes og kvantifiseres i god grad. Disse dataene kan informere et behandlingsvalg, og dosen kan justeres basert på dataene som kvantifiserer kroppens respons. Enten det er en forelder med et termometer og barns Tylenol eller et svulstbrett som bestemmer et onkologisk regime, er en slik datadrevet tilnærming vanligvis den beste praksisen i 21.stårhundres helsevesen. Dessverre henger psykisk helsevern etter, uten like stor evne til å diagnostisere og behandle med informert presisjon.
Min forskning forsøker å møte behovet. I laboratoriet mitt utvikler vi AI-tilnærminger og hjerne-datamaskin-grensesnitt som kan muliggjøre mer personlig og nøyaktig omsorg.
Psykiske lidelser som store depresjon er en ledende årsak til funksjonshemming over hele verden, og påvirker titalls millioner mennesker. Til tross for dette kan dessverre tilgjengelige behandlinger svikte en stor andel av pasientene – for eksempel rundt 20-30 % av personer med alvorlig depresjon. Hvordan kan behandlingene forbedres for slike pasienter?
Nåværende vitenskapelige bevis tyder på at psykiske lidelser kan reflektere unormal aktivitet på tvers av nettverk av hjerneregioner. Hvis ja, kan vi måle unormal hjerneaktivitet for å spore hvordan symptomtilstander utvikler seg over tid? Så kan vi regulere aktiviteten og disse symptomene?
Dette er spørsmålene laboratoriet mitt undersøker som en mulig måte å forbedre behandlingen på. Men som du kan forestille deg, er det et ekstraordinært problem. Mens AI og maskinlæring (ML) er utmerket for å utforske store problemer, er hjernen et av de mest komplekse systemene som finnes. Det er også utfordrende å skaffe data fra hjernen, noe som fører til behovet for AI-metoder som kan håndtere dataknapphet.
Det er tre hovedutfordringer vi må ta tak i for å oppnå ovennevnte mål. Hvordan kan vi objektivt måle symptomer, hvordan kvantifiserer vi effekten av behandlingen på dem, og hvordan kan vi nøyaktig skreddersy en behandling over tid for å regulere symptomene?
Den første utfordringen: Hvordan kan humørsymptomer måles fra hjerneaktivitet?
I arbeidet vårt sporer og dekoder vi først objektivt en persons humørsymptomer fra hjernens signaler. Vi ønsker at denne avkodingen skal gi objektive, repeterbare tiltak som deretter kan brukes til å nøyaktig skreddersy en behandling til pasientens egne behov.
Men hvordan vet vi hvordan et humørsymptom er representert i EEG? Vi utvikler ML-modeller for å tolke hjernesignaler og relatere dem til symptomer. Vi har brukt disse modellene for å vise vellykket sporing av humørsymptomer basert på hjerneaktivitet1. I fremtiden kan denne tilnærmingen bli utvidet med andre fysiologiske mål, som hjertefrekvens, eller utvidet til andre mentale tilstander, som f.eks. angst og kronisk smerte.
Den andre utfordringen: Hvordan vet vi hvordan en behandlingsdosering påvirker hjernens signaler og symptomer?
Hvordan endrer det å endre doseringen av en behandling responsen hos en pasient? Dette er den andre utfordringen, og den er like viktig som den første. Selv om vi kjenner pasientens nåværende symptomnivå, er det ikke nok. Vi må også vite hvilken behandlingsdose de trenger for å få dem til å føle seg bedre. For øyeblikket undersøker vi effekten av dyp hjernestimulering (DBS) som en mulig behandlingsmodalitet, selv om ML-tilnærmingene våre ikke er begrenset til dette.
Vi har vært i stand til å bruke en streng ML-tilnærming for å forutsi hvordan hjernen vil reagere på forskjellige doser av DBS2. Mens responsen på en gitt behandling kan variere fra person til person, kan vårt arbeid modellere responsen hos hver enkelt. Denne tilnærmingen kan dermed gjøre det mulig å tilpasse behandlingen over tid for bedre resultater.
På grunn av hjernens plastisitet og evne til å tilpasse seg, kan effekten av en behandling også endre seg over tid. Det er viktig å ta hensyn til slike endringer når man vurderer den pågående dosen av en behandling. Adaptive læringsalgoritmer kan gjøre det mulig, og det er det vi også studerer.
Den tredje utfordringen: Hvordan justerer vi behandlingen over tid for bedre resultater?
Det endelige målet etter å ha løst de to utfordringene ovenfor er å justere doseringen av behandlingen over tid for å tilpasse den nøyaktig til pasientens behov. Vi lager modellbaserte lukkede sløyfesystemer for å gjøre dette målet mulig. Våre dekodere i den første utfordringen vil måle det nåværende symptomnivået. Deretter vil dose-respons-modellene i den andre utfordringen fortelle oss hvor mye dosering vi trenger for å regulere symptomnivået mot en sunn tilstand.
Sagt annerledes, i denne tredje utfordringen setter vi kunnskaps- og ML-modellene fra de to første utfordringene i handling for bedre behandlingsresultater. De lukkede sløyfesystemene vi utvikler kan utgjøre en ny generasjon hjerne-datamaskin-grensesnitt for ulike psykiske lidelser3.
Det er veldig viktig å understreke at denne forskningen fortsatt er i tidlige dager og så langt har fokusert kun på pasienter som ingen andre tilgjengelige terapier fungerer for. Vi demonstrerer potensialet for modellbaserte tilnærminger med AI for å muliggjøre personlig tilpassede psykiske helseterapier.
Dette potensialet er ikke bare begrenset til DBS, men kan en dag utvide seg til å optimalisere psykoterapi eller farmakoterapiintervensjoner. Det er mye arbeid fremover for å sikre sikkerhet og effektivitet, og med utvikling og validering av disse tilnærmingene. Å realisere slike personlige terapier vil kreve en virkelig tverrfaglig innsats mellom psykiatere, ingeniører, datavitere, nevrovitenskapsmenn, nevrokirurger, atferdsforskere og bioetikere.
Min innledende opplæring som ingeniør fokuserte på informasjonsteori og AI. Men jeg ble fascinert av hjernen under doktorgraden min. studier og bestemte seg for å bruke disse beregningsverktøyene for å forstå hjernen og bidra til å utvikle behandlinger for hjernesykdommer. Den potensielle direkte innvirkningen av slikt arbeid på forbedring av folks liv er det som driver meg hver dag.
Dr Maryam Shanechi
Kilde: Brukt med tillatelse
Maryam M. Shanechi er en nevroingeniør. Som dekanprofessor ved Viterbi School of Engineering ved University of Southern California (USC) og medlem av Nevrovitenskap Graduate Program, hun er grunnlegger av USC Center for Neurotechnology. Hun fikk en B.A.Sc. grad i ingeniørvitenskap fra University of Toronto, S.M. og Ph.D. grader i elektroteknikk og informatikk fra MIT, og postdoktorutdanning i nevralteknikk og nevrovitenskap ved Harvard Medical School og UC Berkeley. Forskningen hennes er i skjæringspunktet mellom AI, ingeniørvitenskap og nevrovitenskap for å utvikle lukket sløyfe-nevroteknologi gjennom dekoding og kontroll av nevral dynamikk. Prisene hennes inkluderer NIH Director's New Innovator Award, NSF KARRIERE Award, ONR Young Investigator Award, ASEEs Curtis W. McGraw Research Award, MIT Technology Reviews topp 35 innovatører under 35, Popular Science Brilliant 10, Science News SN10, One Mind Rising Star Award og et DoD Multidisciplinary University Research Initiative (MURI) Tildele. Hun ble kåret til en Blavatnik National Awards-finalist i 2023.
Etter hvert som grensene mellom ekte og falske visker ut, jager amerikanerne i økende grad ideen om autentisitet. Det første trinnet kan være å vurdere selverkjennelse, sannhet og andre byggesteiner på veien til personlig vekst.