E-ZDROWIE NA ŚWIECIE

The Scientists

Researchers Report Decoding Thoughts from fMRI Data naukowcy odkryli technologię, która pozwala odczytać „myśli”

Zespołowi naukowców z Uniwersytetu w Teksasie (Austin) udało się odczytać fale mózgowe opisujące wymawiane i słyszane słowa. Do tego celu wykorzystali technologię funkcjonalnego obrazowania metodą rezonansu magnetycznego (fmRI).

To pierwsza metoda pozwalająca na nieinwazyjną rekonstrukcję myśli człowieka na podstawie aktywności mózgu. Naukowcy mają nadzieję, że to krok milowy w pracach nad interfejsami mózg-komputer – technologia mogłaby pomóc przede wszystkim osobom z upośledzoną zdolnością mówienia lub pisania. Zaprezentowany w opublikowanej we wrześniu 2022 roku pracy naukowej, dekoder-algorytm „odczytuje” słowa, które człowiek słyszy lub ma na myśli chcąc je wypowiedzieć. – Gdybyś dwadzieścia lat temu zapytał jakiegokolwiek neurologa, czy jest to możliwe, wyśmiałby cię – mówi Alexander Huth, naukowiec-neurolog z Uniwersytetu w Teksasie (Austin) i współautor badania. Stosowanie fMRI do tego typu badań jest trudne – technologia obrazowania jest powolna w porównaniu

» Technologia dekoduje fale mózgowe, które powstają w momencie słuchania lub mówienia w myślach. «

z szybkością ludzkich myśli. Dlatego zamiast wykrywać aktywność neuronów mierzoną w milisekundach, urządzenia MRI mierzą zmiany w przepływie krwi w mózgu trwające sekundy, które służą następnie do obliczenia aktywności mózgu. Dlatego system nie dekoduje języka słowo w słowo, ale raczej rozróżnia znaczenie całych struktur zdaniowych i myśli. Algorytm został wytrenowany za pomocą nagrań z fMRI z udziałem trzech osób, które przez 16 godzin słuchały podcastów i audycji radiowych. Na tej podstawie algorytm stworzył zestaw prognoz dotyczących odczytów fMRI, a następnie dekoder był w stanie przetłumaczyć myśli także na innych próbkach dźwiękowych. W końcowym etapie, wzory opisane przez algorytm były sprawdzane z nagraniem fMRI w czasie rzeczywistym. Według naukowców, system sztucznej inteligencji jest w stanie „całkiem dobrze” dopasować słowa do sygnałów z fMRI. Przyznali jednak, że ma on pewne niedociągnięcia; na przykład, nie radzi sobie dobrze z doborem zaimków i często miesza pierwszą i trzecią osobę. Stosowanie nagrań fMRI do tego typu dekodowania mózgu jest przełomem. Wystarczy dobrze wytrenowany algorytm, aby odtworzyć – bez używania słów – to, co w danej chwili myśli człowiek, jedynie poprzez analizę sposobu pracy mózgu i sygnałów powstających w momencie przetwarzania ludzkiego języka. Naukowcy zdają sobie sprawę, że technologia potrafiąca „czytać w myślach” może być kontrowersyjna. Jednak zapewniają, że jej zastosowanie jest na razie na tyle ograniczone, że nie ma powodów do obaw o prywatność. Przeszkodą na drodze do jej zastosowania na szerszą skalę jest koszt i gabaryty maszyn MRI. Do tego dekoder wyszkolony na skanach mózgu jednej osoby nie może zrekonstruować języka innej osoby. 

healthcare Dive

5 takeaways from the FDA’s list of AI-enabled medical devices już ponad 500 urządzeń medycznych korzystających ze sztucznej inteligencji

gwałtownie rośnie liczba urządzeń medycznych, w skład których wchodzą algorytmy sztucznej inteligencji. W roku 2015 amerykańska Agencja ds. leków i Żywności (fDA) dopuściła ich zaledwie 5, w 2021 roku – już 121.

W okresie do 5 października 2022 roku, zatwierdzono 91 urządzeń medycznych korzystających z AI. Wśród nich znalazły się m.in. funkcja rejestracji historii migotania przedsionków w zegarku Apple Watch i narzędzie analizujące badania rentgenowskie w celu wykrycia i leczenia zapadniętych płuc.

Oto najważniejsze trendy, jakie można wyodrębnić w rozwoju AI na podstawie danych FDA:

• liczba urządzeń medycznych wykorzystujących ai rośnie szybko rośnie. W 2021 roku FDA wydała zezwolenia rekordowej liczbie zgłoszeń. Można się spodziewać, że taki trend będzie kontynuowany w najbliższych latach, a napędzą go postępy w rozwoju inteligentnych czujników, obrazowaniu medycznym i analityce danych. • najwięcej rozwiązań ai powstaje dla radiologii. Z 521 zgłoszeń, które FDA zatwierdziła do tej pory, trzy czwarte dotyczyło radiologii, a 11% kardiologii. Dane z badań obrazowych i elektrokardiogramów są ustandaryzowane, a do tego łatwo dostępne. To warunek, aby dobrze wytrenować algorytmy AI. Inaczej jest w przypadku innych danych, jak przykładowo tych z elektronicznej dokumentacji medycznej. Nadal istnieje wiele różnych standardów gromadzenia informacji, a część z nich wprowadzana jest w formie tekstowej, co z kolei znacznie utrudnia dalszą analizę. • Większość certyfikowanych urządzeń posiada atest 510 (k), ale wiele systemów nie wymaga zatwierdzenia przez FDa. Zezwolenie 510 (k) oznacza, że rozwiązanie nie musi przechodzić przez fazę badań klinicznych, o ile twórcy potrafią udowodnić, że działa na podobnej zasadzie jak analogiczne urządzenie już dostępne na rynku. Większość rozwiązań opartych na AI nie stawia diagnozy, a jedynie dostarcza sugestii i informacji lekarzom oraz pacjentom. Urządzenia dopuszczone przez FDA to prawdopodobnie tylko ułamek listy narzędzi wykorzystujących AI i uczenie maszynowe (ML) obecnych w opiece zdrowotnej – większość z nich nie podlega obowiązkowi certyfikacji. • GE Healthcare i Siemens są liderami rynku urządzeń medycznych opartych na ai/Ml. GE Healthcare otrzymała zgodę FDA na 42 urządzenia medyczne wykorzystujące AI i uczenie maszynowe, z których większość ma zastosowanie w radiologii. Siemens Healthineers posiada 29 certyfikowanych urządzeń AI. • urządzenia ai/Ml będą coraz bardziej złożone, bo zawarte w nich algorytmy uczą się w trakcie działania. Obecnie wszystkie istotne zmiany w urządzeniach medycznych muszą być zatwierdzone przez FDA, więc większość algorytmów musi pozostawać statyczna po wprowadzeniu ich na rynek. Jednak rozwiązania AI uczą się wraz z tym, jak analizują coraz więcej danych. Dlatego organy regulacyjne stoją przed koniecznością stworzenia nowych metod certyfikacji. FDA pracuje obecnie nad programem certyfikacji, który pozwoliłby na autoryzację zaufanych producentów, a nie systemów. 