Une nouvelle méthode d’apprentissage profond « de bout en bout » pour la prédiction des états comportementaux utilise l’imagerie fonctionnelle de l’ensemble du cortex qui ne nécessite pas de prétraitement ni de fonctionnalités prédéfinies. Développée par l'étudiant en médecine AJIOKA Takehiro et une équipe dirigée par TAKUMI Toru de l'Université de Kobe, leur approche leur permet également d'identifier les régions du cerveau les plus pertinentes pour l'algorithme (photo). La capacité d’extraire ces informations pose les bases des futurs développements des interfaces cerveau-machine. Crédit : Ajioka Takehiro
Un algorithme de reconnaissance d’images IA peut prédire si une souris bouge ou non sur la base de données d’imagerie fonctionnelle cérébrale. Les chercheurs de l’Université de Kobe ont également développé une méthode pour identifier les données d’entrée pertinentes, mettant en lumière la boîte noire de l’IA avec le potentiel de contribuer à la technologie d’interface cerveau-machine.
Pour la production d’interfaces cerveau-machine, il est nécessaire de comprendre comment les signaux cérébraux et les actions affectées sont liés les uns aux autres. C'est ce qu'on appelle le « décodage neuronal », et la plupart des recherches dans ce domaine portent sur l'activité électrique des cellules cérébrales, qui est mesurée par des électrodes implantées dans le cerveau. D’autre part, les technologies d’imagerie fonctionnelle, telles que IRMf ou l'imagerie calcique, peut surveiller l'ensemble du cerveau et rendre visibles les régions actives du cerveau par des données proxy.
Parmi les deux, l’imagerie calcique est plus rapide et offre une meilleure résolution spatiale. Mais ces sources de données restent inexploitées pour les efforts de décodage neuronal. Un obstacle particulier est la nécessité de prétraiter les données, par exemple en supprimant le bruit ou en identifiant une région d'intérêt, ce qui rend difficile la conception d'une procédure généralisée pour le décodage neuronal de nombreux types différents de comportement.
Percée dans le décodage neuronal avec l'IA
Ajioka Takehiro, étudiant en médecine à l'Université de Kobe, a utilisé l'expertise interdisciplinaire de l'équipe dirigée par le neuroscientifique Takumi Toru pour s'attaquer à ce problème. « Notre expérience avec les systèmes d'imagerie en temps réel et de suivi de mouvement basés sur la réalité virtuelle pour les souris et les techniques d'apprentissage profond nous ont permis d'explorer des méthodes d'apprentissage profond « de bout en bout », ce qui signifie qu'elles ne nécessitent pas de prétraitement ni de fonctionnalités prédéfinies. , et ainsi évaluer les informations à l’échelle du cortex pour le décodage neuronal », explique Ajioka. Ils ont combiné deux algorithmes d'apprentissage profond différents, un pour les modèles spatiaux et un pour les modèles temporels, aux données de films du cortex entier provenant de souris se reposant ou courant sur un tapis roulant et ont formé leur modèle d'IA pour prédire avec précision à partir des données d'image du cortex si la souris bouge ou non. repos.
Dans la revue Biologie computationnelle PLoSles chercheurs de l'Université de Kobe rapportent que leur modèle a un précision de 95 % pour prédire le véritable état comportemental de l'animal sans qu'il soit nécessaire de supprimer le bruit ou de prédéfinir une région d'intérêt. De plus, leur modèle a fait ces prédictions précises sur la base de seulement 0,17 seconde de données, ce qui signifie qu'ils ont pu atteindre des vitesses quasiment en temps réel. En outre, cela a fonctionné sur cinq individus différents, ce qui montre que le modèle pouvait filtrer les caractéristiques individuelles.
Identifier les données clés pour les prévisions
Les neuroscientifiques ont ensuite identifié quelles parties des données d’image étaient principalement responsables de la prédiction en supprimant des parties des données et en observant les performances du modèle dans cet état. Plus la prédiction devenait mauvaise, plus les données étaient importantes. « Cette capacité de notre modèle à identifier les régions corticales critiques pour la classification comportementale est particulièrement intéressante, car elle ouvre le couvercle de l'aspect « boîte noire » des techniques d'apprentissage profond », explique Ajioka.
Ensemble, l’équipe de l’Université de Kobe a établi une technique généralisable pour identifier les états comportementaux à partir de données d’imagerie fonctionnelle de l’ensemble du cortex et a développé une technique pour identifier les parties des données sur lesquelles les prédictions sont basées. Ajioka explique pourquoi cela est pertinent. « Cette recherche jette les bases du développement ultérieur d'interfaces cerveau-machine capables de décoder les comportements en temps quasi réel à l'aide d'une imagerie cérébrale non invasive. »
Cette recherche a été financée par la Société japonaise pour la promotion de la science (subventions JP16H06316, JP23H04233, JP23KK0132, JP19K16886, JP23K14673 et JP23H04138), l'Agence japonaise pour la recherche et le développement médical (subvention JP21wm0425011), l'Agence japonaise pour la science et la technologie (subventions JPMJMS2299). et JPMJMS229B), le Centre national de neurologie et de psychiatrie (subvention 30-9) et la Takeda Science Foundation. Elle a été menée en collaboration avec des chercheurs des laboratoires d’analyse de l’information neuronale ATR.
