Neurochip implantable utiliza algoritmos de aprendizaje automático para detectar y tratar trastornos neurológicos

Usando una combinación de diseño de chip de bajo consumo, algoritmos de aprendizaje automático y electrodos blandos implantables, los investigadores han producido una interfaz neuronal que puede identificar y suprimir los síntomas de diferentes tipos de trastornos neurológicos.

NeuralTree, un sistema en chip de neuromodulación de circuito cerrado, desarrollado por investigadores de la EPFL (Lausana, Suiza) puede detectar y aliviar los síntomas de la enfermedad. Al utilizar 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 una amplia gama de biomarcadores de datos de pacientes reales y modelos animales de enfermedades in vivo, lo que resulta en una predicción altamente precisa de síntomas. NeuralTree funciona extrayendo biomarcadores neuronales (patrones de señales eléctricas que se cree que están asociadas con trastornos neurológicos específicos) de las ondas cerebrales. Clasifica las señales e indica la posibilidad de que se aproxime un ataque epiléptico o un temblor parkinsoniano, por ejemplo. Al detectar un síntoma, un neuroestimulador ubicado en el chip se activa y envía un pulso eléctrico para bloquearlo.

El diseño único de NeuralTree proporciona los más altos niveles de eficiencia y versatilidad en comparación con los de última generación. El chip cuenta con 256 canales de entrada, en comparación con los 32 de los dispositivos insertados con aprendizaje automático anteriores, lo que permite que el implante procese más datos de alta resolución. El diseño de área eficiente del chip lo hace extremadamente pequeño (3,48 mm2), lo que crea un potencial significativo para la escalabilidad a canales adicionales. El algoritmo de aprendizaje 'consciente de la energía' integrado que penaliza las funciones que consumen mucha energía también hace que NeuralTree sea extremadamente eficiente desde el punto de vista energético.

El sistema también puede detectar una gama más amplia de síntomas que otros dispositivos, que se centran principalmente en la detección de ataques epilépticos. Los investigadores entrenaron el algoritmo de aprendizaje automático del chip en conjuntos de datos de pacientes con epilepsia y enfermedad de Parkinson, y clasificaron con precisión las señales neuronales pregrabadas de ambas categorías. Con el objetivo de hacer que las interfaces neuronales sean más inteligentes para un control de enfermedades más efectivo, los investigadores ya están mirando hacia el futuro para innovar aún más. Como próximo paso, el equipo planea habilitar actualizaciones algorítmicas en el chip para mantenerse al día con la evolución de las señales neuronales.

"Hasta donde sabemos, esta es la primera demostración de la detección del temblor parkinsoniano con un clasificador en chip", dijo Mahsa Shoaran, del Laboratorio de Neurotecnologías Integradas de la Facultad de Ingeniería. "Finalmente, podemos usar interfaces neuronales para muchos trastornos diferentes, y necesitamos ideas algorítmicas y avances en el diseño de chips para que esto suceda".

Enlaces relacionados:
EPFL