Die Zukunft der Neurotechnologie hängt von KI ab

Wir alle möchten verstehen, wie unser Gehirn funktioniert, doch es scheint sich dieser Einsicht zu entziehen. Neuronale Daten stellen uns dabei vor enorme Herausforderungen: Sie sind spärlich, äußerst heterogen, oft unvollständig und umfassen unterschiedliche Modalitäten, Spezies und Gehirnregionen. Herkömmliche statistische Analysemethoden stoßen hier an ihre Grenzen. Deep Learning könnte eine vielversprechende Lösung bieten – doch dafür sind umfangreiche und homogene Datensätze erforderlich, und genau das sind neuronale Daten nicht. Welche Strategien oder Innovationen haben sich als besonders effektiv erwiesen, um diese Kluft zu überbrücken?

Es ist wichtig zu betonen, dass Deep Learning nicht unbedingt hochgradig homogene Daten erfordert, insbesondere durch den Einsatz von Foundation-Models. Diese Modelle werden vorab auf riesigen Datensätzen trainiert, die häufig aus unterschiedlichen Quellen stammen und vielfältige Merkmale aufweisen. Dadurch können sie eigenständig Muster erkennen und verallgemeinern.

Ein anderes Beispiel sind große Sprachmodelle wie ChatGPT. Die werden aus dem gesamten Textkorpora aus dem Internet trainiert werden. Diese Daten sind dabei so heterogen wie die Inhalte im Netz selbst. 

Aber hier kommt der große Unterschied: Trotz dieser Vielfalt bleibt jedoch die zugrunde liegende Datenstruktur konsistent.

Das liegt daran, dass verschiedene Websites zwar unterschiedliche Themen abdecken, aber alle dasselbe Vokabular einer bestimmten Sprache verwenden. Ähnlich verhält es sich bei der Verwendung von Bildern zum Trainieren eines Modells: Obwohl die Bildinhalte stark variieren können, befinden sich alle im selben Raum – dem Raum der möglichen RGB-Pixelwerte.

Die besondere Herausforderung für Deep Learning in der Neurowissenschaft besteht jedoch darin, dass die Daten aus verschiedenen Gehirnen stammen, die jeweils unterschiedliche Neuronenensembles besitzen. Zudem werden Aufnahmegeräte eingesetzt, die unterschiedliche Gruppen von Neuronen erfassen und dabei verschiedene Signalzusammensetzungen detektieren. Elektrophysiologische Messungen erzeugen zum Beispiel andere Signalformen als die funktionelle Magnetresonanztomographie (fMRT).

Das Problem liegt weniger in der inhaltlichen Heterogenität der neuronalen Daten – damit können Deep-Learning-Modelle umgehen – als vielmehr in der unterschiedlichen Darstellung der Daten. Es ist, als würde man ein Modell mit Internetdaten trainieren, bei denen jedoch jede Website ein eigenes, einzigartiges Vokabular verwendet. Diese Ausdrucksvielfalt stellt bei neuronalen Daten eine große Herausforderung dar. Wie gehen Forschende damit um?

Diese Frage bleibt weitgehend offen. Meine Gruppe entwickelt zusammen mit der Gruppe von Eva Dyer (Georgia Tech - Anmerkung der Redaktion) Techniken zur Tokenisierung, um dieser Herausforderung zu begegnen.

Wie lassen sich diese groß angelegten neuronalen Dekodierungsmodelle in praktische Anwendungen umsetzen, etwa in Gehirn-Computer-Schnittstellen oder klinische Diagnostik?

Ich denke, diese Modelle haben zahlreiche praktische Anwendungen. Tatsächlich würde ich sogar so weit gehen zu sagen, dass es kaum praktische Anwendungen neuronaler Daten geben wird, bis wir solche Modelle entwickelt haben. Um auf das zurückzukommen, was zu Beginn gesagt wurde: Das Problem ist die enorme Komplexität neuronaler Aktivität. Daher haben traditionelle statistische Methoden in den letzten zwei Jahrzehnten nicht dazu beigetragen, die potenziellen Anwendungen zu erschließen – viele haben es versucht und sind gescheitert. Und doch wissen wir prinzipiell, dass es möglich sein sollte. Letztlich liegt es wohl daran, dass unsere herkömmlichen Modelle nicht leistungsfähig genug waren, um diese komplexen statistischen Muster zu erkennen.

Deshalb wird der großflächige Einsatz von Deep-Learning-Systemen fast eine Voraussetzung für die meisten nachgelagerten Anwendungen in der Neurotechnologie sein, die wir uns bei der Nutzung neuronaler Aktivität vorstellen können. Dazu gehört beispielsweise die Diagnose neurologischer oder psychiatrischer Erkrankungen, die Vorhersage, ob jemand in Zukunft eine bestimmte Krankheit entwickeln könnte, oder die Entscheidung, ob eine bestimmte Behandlung für eine Person geeignet ist.

Ein konkretes Beispiel ist die Behandlung von Depressionen: Nicht alle Patienten sprechen auf SSRIs (Selektive Serotonin-Wiederaufnahme-Inhibitoren: Anmerkung der Redaktion) oder andere Antidepressiva an. Wenn wir anhand neuronaler Aktivität vorhersagen könnten, ob eine Person auf diese Medikamente ansprechen wird, wäre das ein echter Durchbruch.

Auch bessere geschlossene Regelkreise zur Steuerung neuronaler Aktivität hängen von präziser Erfassung und Vorhersage ab. Ein Beispiel ist die tiefe Hirnstimulation zur Behandlung von Parkinson oder Depressionen. Derzeit setzen Ärzte Elektroden in Gehirnregionen ein, die mit der jeweiligen Erkrankung in Verbindung stehen, und testen verschiedene Stimulationstechniken – manchmal mit Erfolg, manchmal nicht. Man müsste sich vorstellen, wir könnten stattdessen die neuronale Aktivität einer Person aufzeichnen und genau bestimmen, welche Region stimuliert werden muss und mit welchem Muster. Darüber hinaus könnten wir die Wirkung der Stimulation in Echtzeit überwachen und anpassen, während sich der Zustand des Patienten verbessert.

Diese Modelle könnten außerdem leistungsfähige Gehirn-Computer-Schnittstellen ermöglichen, mit denen Menschen direkt über ihre Gedanken Computer oder Robotik steuern können. Das wäre besonders für klinische Anwendungen revolutionär – etwa für querschnittsgelähmte Personen, die damit Prothesen bewegen oder über einen Bildschirm kommunizieren könnten.

All diese Anwendungen beruhen darauf, die relevanten neuronalen Muster zu entschlüsseln, die bestimmten Handlungen, Zuständen oder Therapieerfolgen zugrunde liegen.