‘Tale Neuroprotese’ Teknologi Genopretter Tale for Patient med Svær Lammelse

I en ny stor udvikling inden for kunstig intelligens (AI) proteser har forskere ved University of California San Francisco succesfuldt udviklet en “tale neuroprotese”, der delvist har genoprettet tale for en mand med svær lammelse. Den nye teknologi hjalp ham med at tale i sætninger, da den oversatte signaler fra hans hjernen til struben. Ordene dukkede herefter op som tekst på en skærm.

Arbejdet omfattede den første deltager i en klinisk forskningsstudie, og det var en del af et større arbejde, der havde været i gang i over 10 år af UCSF-neurokirurgen Edward Chang, MD, der havde forsøgt at udvikle en teknologi, der kunne give mennesker med lammelse mulighed for at kommunikere, selv når de ikke kunne tale på egen hånd.

Studiet blev offentliggjort den 15. juli i New England Journal of Medicine.

Første System af sin Art

Chang er Joan og Sanford Weill-formand for neurokirurgi ved UCSF og Jeanne Robertson-distinguished professor. Han er også seniorforfatter af studiet.

“Så vidt vi ved, er dette den første succesfulde demonstration af direkte afkodning af hele ord fra hjernens aktivitet hos en person, der er lammet og ikke kan tale,” sagde Chang. “Det viser stærk løfte om at genoprette kommunikation ved at udnytte hjernens naturlige talemaskineri.”

Arbejdet på dette område drejer sig traditionelt om at genoprette kommunikation gennem stavebaserede tilgange til at skrive bogstaver ét for ét i tekst. Men den nye studie fokuserer på at oversætte signaler, der faktisk er tiltænkt at kontrollere musklerne i taleapparatet til at tale ord. Dette adskiller sig fra det traditionelle arbejde, der fokuserer på signalerne, der flytter armen eller hånden.

Ifølge Chang udnytter den nye tilgang de naturlige og flydende aspekter af tale, og det kan føre til langt større fremskridt på dette område. Han sagde også, at stavebaserede tilgange, der afhænger af skrivning, typografi og kontrol af en markør, er langt langsommere.

“Med tale kommunikerer vi normalt information på en meget høj hastighed, op til 150 eller 200 ord per minut,” sagde han. “At gå direkte til ord, som vi gør her, har store fordele, fordi det er tættere på, hvordan vi normalt taler.”

Changs tidligere arbejde afhang af patienter på UCSF Epilepsi Center, der var i gang med neurokirurgi for at opdage, hvad der forårsagede deres anfald, og det anvendte elektrodearrays, der var placeret på overfladen af patienternes hjerner. Patienterne havde normal tale, og resultaterne hjalp med at føre til den nuværende prøve for personer med lammelse.

Nogle af de nye metoder, der blev udviklet af holdet, omfattede en måde at afkode corticale aktivitetsmønstre og statistisk sprog for at forbedre nøjagtigheden.

David Moses, PhD, er en postdoc-ingeniør i Chang Lab og en af de andre hovedforfattere.

“Vores modeller skulle lære mappingen mellem komplekse hjernaktivitetsmønstre og tiltænkt tale,” sagde Moses. “Det stiller et stort udfordring, når deltageren ikke kan tale.”

Den Første Deltager

Prøvens første deltager var en mand i slutningen af 30’erne, der havde lidt en hjernestamme-slåfe over 15 år tidligere, der havde efterladt forbindelsen mellem hans hjerne og strube og lemmer alvorligt beskadiget.

Ved at udvikle en 50-ord-vokabular, som Changs hold kunne bruge avancerede computeralgoritmer til at genkende, kunne deltageren oprette hundredvis af sætninger, der udtrykte daglige livsbegreber.

Han skulle have en højtdensitets-elektrode-array implantet over sin tale-motorcortex, og efter hans restitution blev der optaget over 22 timer af neural aktivitet i dette hjerneregion over 48 sessioner.

Sean Metzger, MS og Jessie Liu, BS, er begge bioingeniør-studerende i Chang Lab og var ansvarlige for at udvikle brugerdefinerede neurale netværksmodeller, der kunne oversætte mønstrene af optaget neural aktivitet til bestemte tiltænkte ord.

Efter testen fandt holdet ud af, at systemet kunne afkode ord fra hjernaktivitet med en hastighed på op til 18 ord per minut, og det var 93 procent nøjagtigt. Holdet anvendte en “auto-rettelse”-funktion til sprogmodellen, der hjalp med at forbedre nøjagtigheden.

“Vi var begejstrede for at se den nøjagtige afkodning af en række meningsfulde sætninger,” sagde Moses. “Vi har vist, at det er muligt at faciliterer kommunikation på denne måde, og at det har potentiale til brug i konversationsmiljøer.”

Holdet vil nu udvide prøven til at omfatte flere deltagere med svær lammelse og kommunikationsproblemer. De arbejder også på at udvide antallet af ord i vokabularet og forbedre talehastigheden.

“Dette er et vigtigt teknologisk milepæl for en person, der ikke kan kommunikere naturligt,” sagde Moses, “og det demonstrerer potentialet for denne tilgang til at give en stemme til mennesker med svær lammelse og taletab.”