Un neurochip para gestionar trastornos cerebrales

Los investigadores de EPFL han combinado el diseño de chips de bajo consumo, algoritmos de aprendizaje automático y electrodos blandos implantables para producir una interfaz neuronal que puede identificar y suprimir los síntomas de diversos trastornos neurológicos.

Mahsa Shoaran del Laboratorio de Neurotecnologías Integradas de la Escuela de Ingeniería colaboró ​​con Stéphanie Lacour en el Laboratorio de Interfaces Bioelectrónicas Suaves para desarrollar NeuralTree: un sistema de neuromodulación de circuito cerrado en un chip que puede detectar y aliviar síntomas de enfermedades.

Gracias a una matriz de detección de alta resolución de 256 canales y un procesador de aprendizaje automático de bajo consumo, el sistema puede extraer y clasificar un amplio conjunto de biomarcadores de datos de pacientes reales y modelos animales de enfermedades in vivo, lo que lleva a un alto grado de Precisión en la predicción de síntomas.

«NeuralTree se beneficia de la precisión de una red neuronal y la eficiencia del hardware de un algoritmo de árbol de decisión», dice Shoaran. «Es la primera vez que hemos podido integrar una interfaz neuronal tan compleja pero energéticamente eficiente para tareas de clasificación binaria, como la detección de convulsiones o temblores, así como tareas de varias clases, como la clasificación del movimiento de los dedos para aplicaciones neuroprotésicas. »

Sus resultados se presentaron en la Conferencia Internacional de Circuitos de Estado Sólido IEEE de 2022 y se publicaron en el Revista IEEE de circuitos de estado sólido.

Eficiencia, escalabilidad y versatilidad

NeuralTree funciona mediante la extracción de biomarcadores neuronales (patrones de señales eléctricas que se sabe que están asociadas con ciertos trastornos neurológicos) de las ondas cerebrales. Luego clasifica las señales e indica si anuncian un ataque epiléptico inminente o un temblor parkinsoniano, por ejemplo. Si se detecta un síntoma, se activa un neuroestimulador, también ubicado en el chip, que envía un pulso eléctrico para bloquearlo.

Shoaran explica que el diseño único de NeuralTree le da al sistema un grado de eficiencia y versatilidad sin precedentes en comparación con los sistemas de última generación. El chip cuenta con 256 canales de entrada, en comparación con los 32 de los dispositivos integrados de aprendizaje automático anteriores, lo que permite procesar más datos de alta resolución en el implante.

El diseño de área eficiente del chip significa que también es extremadamente pequeño (3,48 mm²), dándole un gran potencial de escalabilidad a más canales. La integración de un algoritmo de aprendizaje «consciente de la energía», que penaliza las características que consumen mucha energía, también hace que NeuralTree sea altamente eficiente en energía.

Además de estas ventajas, el sistema puede detectar una gama más amplia de síntomas que otros dispositivos, que hasta ahora se han centrado principalmente en la detección de ataques epilépticos. El algoritmo de aprendizaje automático del chip se entrenó en conjuntos de datos de pacientes con epilepsia y enfermedad de Parkinson, y clasificó con precisión las señales neuronales pregrabadas de ambas categorías.

«Hasta donde sabemos, esta es la primera demostración de detección de temblor parkinsoniano con un clasificador en chip», dice Shoaran.

Algoritmos de actualización automática

A Shoaran le apasiona hacer que las interfaces neuronales sean más inteligentes para permitir un control de enfermedades más efectivo, y ya está mirando hacia el futuro para obtener más innovaciones.

«Eventualmente, podemos usar interfaces neuronales para muchos trastornos diferentes, y necesitamos ideas algorítmicas y avances en el diseño de chips para que esto suceda. Este trabajo es muy interdisciplinario, por lo que también requiere la colaboración con laboratorios como el Laboratorio de Interfaces Bioelectrónicas Suaves, que pueden desarrollar electrodos neurales de última generación o laboratorios con acceso a datos de pacientes de alta calidad».

Como siguiente paso, está interesada en habilitar actualizaciones algorítmicas en el chip para mantenerse al día con la evolución de las señales neuronales.

«Las señales neuronales cambian, por lo que, con el tiempo, el rendimiento de una interfaz neuronal disminuirá. Siempre estamos tratando de hacer que los algoritmos sean más precisos y confiables, y una forma de hacerlo sería habilitar actualizaciones en el chip, o algoritmos que puedan actualizarse. ellos mismos.»