به گزارش ایسنا به نقل از آی ای، پژوهشگران دانشگاه تورنتو در حال ترکیب هوش مصنوعی و میکروالکترونیک برای ایجاد فناوری نوآورانه ای هستند که ایمن و مؤثر باشد. این گروه پژوهشی می خواهد از ایمپلنت های عصبی در تراشه های سیلیکونی مینیاتوری به روشی مشابه که برای تولید تراشه های مورد استفاده در رایانه های امروزی انجام می شود، استفاده کند.
بازیابی نورون ها
شیلین لیو (Xilin Liu) پژوهشگر ارشد و استادیار دانشکده علوم کاربردی و مهندسی در دانشگاه تورنتو می گوید: نورون ها از طریق سیگنال های الکتریکی با یکدیگر صحبت می کنند و یک ایمپلنت عصبی درمانی، مانند ضربان سازی برای مغز، تحریک الکتریکی ایجاد می کند و در موارد رعشه یا تشنج سعی می کند نورون ها را به حالت طبیعی بازگرداند.
یک کار علمی در حال پیشرفت
لیو اشاره می کند که این ایمپلنت عصبی، شبکه های عصبی را مانند یک سوئیچ یا مانند دکمه راه اندازی مجدد کامپیوتر روشن و خاموش می کند. او همچنین پیچیدگی این پروژه پژوهشی را یادآور می شود و خاطرنشان می کند که ان طور که بنظر میرسد، ساده نخواهد بود و پژوهشگران همچنان در تلاش برای درک پیچیدگی این پروژه هستند.
لیو که همچنین عضوی از مرکز فناوری عصبی CRANIA است که با همکاري دانشگاه تورنتو و شبکه بهداشت دانشگاهی همکاری می کند، می گوید: دانشمندان هنوز بطور کامل نحوه عملکرد آنرا درک نکرده اند.
این گروه پژوهشی با هدف بهبود سلامت مغز و ایجاد درمانهای جایگزین با عصب شناسان، دانشمندان داده و مواد و پزشکان همکاري می کند.
پروژه ایمپلنت عصبی این گروه پژوهشی به عنوان یک گزینه درمانی آینده نگرانه برای بیمارانی که ممکن است به داروهای فعلی واکنش خوبی ندهند، ایجاد شده است. آن ها پتانسیل استفاده از هوش مصنوعی (Artificial Intelligence) را به عنوان یک گزینه درمانی مؤثر در آینده می بینند که در عین حال واکنش های نامطلوب به تحریک بیش از حد در مغز را به حداقل می رساند.
گروه پژوهشی این فناوری را CMOS می نامند که مخفف نیمه هادی اکسید فلزی مکمل است. این فناوری به آن ها اجازه می دهد تا اندازه دستگاه و مصرف انرژی آنرا کاهش دهند و به نوبه خود خطرات مرتبط با روش جراحی ایمپلنت عصبی و استفاده طولانی مدت از آن را کاهش می دهد.
پژوهشگران به منظور ایجاد بهترین نمونه اولیه برای ایمپلنت عصبی خود از استراتژی ها و تکنیک های مختلفی بهره برده اند و آن ها را آزموده اند. لیو می گوید: ما تکنیک های جدید طراحی میکروالکترونیکی مانند تحریک الکتریکی با دقت بالا با متعادل سازی شارژ را توسعه داده ایم.
استفاده از یادگیری عمیق
پژوهشگران از نوعی هوش مصنوعی به نام یادگیری عمیق (DL) استفاده کردند که نوعی از یادگیری ماشینی است که از شبکه های عصبی مصنوعی استفاده می کند. یادگیری عمیق از مجموعه ای از الگوریتم ها استفاده می کند که با داده های جدید، اطلاعات سطح عمیق را یاد می گیرند و استخراج می کنند. یادگیری عمیق همچنین میتواند نشانگرهای زیستی پنهان شامل اندازه‌گیری عامل یا یافتن نشانه بیماری را شناسایی کند که اغلب در روش های سنتی نادیده گرفته می شوند.
این برای پژوهشگران مفید است، زیرا آن ها میتوانند زمان فعالسازی ایمپلنت های عصبی را بر اساس نشانگرهای زیستی انتخاب کنند و مجبور نباشند بطور مداوم تحریک را تخمین بزنند یا مدام از آن استفاده کنند.
لیو می گوید: اغلب ایمپلنت های موجود بدون توجه به وضعیت بیمار، تحریک الکتریکی را با سرعت ثابتی تولید می کنند. در حالی که ما با یادگیری عمیق می توانیم ایمپلنت های عصبی را در زمان بهینه و تنها در صورت لزوم فعال کنیم.
با این حال، یکی از نکاتی که قابل ذکر است، هزینه محاسباتی است. لیو می گوید برای مثال ، یک ایمپلنت عصبی در صورت از دست دادن ارتباطات مخابراتی مانند هنگامی که بیمار در آسانسور یا هواپیما قرار می گیرد، نمی تواند از کار بیفتد.
او می افزاید که هزینه محاسباتی مدل های یادگیری عمیق، ترکیب چنین فناوری را به چالشی تبدیل می کند.
گروه پژوهشی به منظور کاهش هزینه های محاسباتی، روش هایی را برای آموزش مدل ها تنها بر اساس شرایط هر بیمار ایجاد کرده است.
آینده ایمپلنت های عصبی
این مطالعه روی یادگیری عمیق برای ایمپلنت های عصبی که برای تشخیص تشنج استفاده میشوند، در مجله Neural Engineering منتشر شده است و لیو می خواهد این پژوهش را گسترش دهد. او می گوید که کار گروهش میتواند در طیف وسیعی از کاربردهای بالینی و روش های پزشکی فراتر از تشنج های صرع مورد استفاده قرار گیرد.
لیو می خواهد از این فناوری برای انواع اختلالات مغزی استفاده کند که نزدیک به یک میلیارد نفر را در سراسر جهان تحت‌تأثیر قرار داده اند. او امیدوار است همراه با مطالعه اثرات این ایمپلنت بر بیماری های صرع و پارکینسون، درمانهای جدیدی برای بیماران مبتلا به زوال عقل، درد مزمن، بیماری آلزایمر (Alzheimer's disease) و افسردگی ایجاد کند.
- 16
- 5
