Der führende Experte für Gehirn-Computer-Schnittstellen Philip Sabes: Der eigentliche Engpass der Neuromodulation ist die „Vorhersage“, und Therapie und wissenschaftliche Entdeckung sollten gleichzeitig stattfinden

Laut Informationen von IPO Early Knowledge veranstaltete das Brain Intelligence World BCI Innovation Transformation Center am 14. September erfolgreich das „BCI Inno+ Brain Intelligence Salon | Internationales Symposium für Gehirn-Computer-Schnittstellen“. Diese Konferenz brachte Wissenschaftler, Unternehmer sowie klinische und Regulierungsexperten aus dem globalen Bereich der Gehirn-Computer-Schnittstellen zusammen, um tiefgehende Gespräche über Kernfragen wie die technologische Weiterentwicklung hochpräziser Gehirn-Computer-Schnittstellen, geschlossene neuronale Regulation und klinische Diagnose- und Behandlungsanwendungen, tragbare Gehirn-Computer-Interaktionen sowie den Aufbau eines globalen industriellen Innovationsökosystems zu führen.

Der Gründungswissenschaftler von Neuralink und derzeitige CEO von Arbor Neuroscience, Philip Sabes hielt einen Vortrag mit dem Titel „Der schnellste Weg zu zuverlässiger neuronaler Regulation: Wie Neurotechnologie Therapien und wissenschaftliche Entdeckungen beschleunigen kann“ und diskutierte anschließend mit den Teilnehmern.

Philip Sabes ist der Ansicht, dass sich die neuronale Regulationstechnologie zwar seit vielen Jahren entwickelt, ihre klinische Anwendung aber stark hinterherhinkt. Um diesen Engpass zu überwinden, kommt es auf zwei Arten von Technologien an: Erstens implantierbare Elektroden, die Nervensignale langfristig und in hoher Qualität aufzeichnen können; zweitens tragbare, portable fMRI-ähnliche Technologien, um physiologische Indikatoren wie den zerebralen Blutfluss über lange Zeit zu überwachen.

Er wies darauf hin, dass die bestehenden klinischen Behandlungsprozesse wirklich in systematische wissenschaftliche Experimente umgewandelt werden sollten. Durch die kontinuierliche Erfassung individualisierter Daten lassen sich Vorhersagemodelle erstellen, sodass „Behandlung“ und „wissenschaftliche Entdeckung“ gemeinsam voranschreiten. Schließlich lässt sich eine zuverlässige Vorhersage und individualisierte Optimierung der Wirksamkeit neuronaler Regulation erreichen – dies ist der entscheidende Weg, auf dem dieses Fachgebiet zur Reife gelangt.

Damit neuronale Regulation zu zuverlässigen Therapien führt, muss eine vorhersehbare kausale Kette aufgebaut werden

Sabes unterteilte zuerst Gehirn-Schnittstellen grob in zwei Kategorien: Zum einen „nach außen“ gerichtete Schnittstellen, die durch das Auslesen von Gehirnsignalen motorische Steuerung und sensorische Rekonstruktion ermöglichen und langfristig sogar eine direktere Verbindung zwischen Mensch und KI herstellen können; zum anderen „nach innen“ gerichtete Schnittstellen, also die Behandlung von Nerven- und psychischen Erkrankungen durch Stimulation oder Regulation der Gehirnaktivität – das ist die neuronale Regulation.

In den letzten Jahrzehnten hat die implantierbare elektrische Stimulation, vertreten durch die Tiefe Hirnstimulation (DBS), ein ausgereiftes Produktsystem gebildet. Verfahren wie die transkranielle Magnetstimulation (TMS), transkranielle Elektrostimulation (tES) und fokussierte Ultraschall (FUS) entwickeln sich ebenfalls. Seiner Ansicht nach stimmt die Geschwindigkeit der technologischen Entwicklung jedoch nicht vollständig mit der klinischen Praxis überein. Die sogenannten „zuverlässigen Therapien (Reliable therapies)“ bedeuten zunächst, dass vorhersagt werden kann, ob eine Behandlung bei verschiedenen Patienten wirkt, und zweitens dass die Behandlungsparameter anschließend individuell optimiert werden.

„Der eigentliche Engpass liegt in der Vorhersage. Denn wir wissen nicht genau, was nach einer neuronalen Regulation oder einer Stimulation im Gehirn passiert, sodass wir das Behandlungsergebnis nicht zuverlässig vorhersagen können.“

Dieses Problem tritt besonders stark bei Erkrankungen wie psychischen Störungen und chronischen Schmerzen auf. Beispielsweise lässt sich bei der Behandlung von Parkinson-Tremor mit DBS die Verringerung des Tremors schnell nach der Stimulation beobachten; die Wirksamkeit bei Erkrankungen wie Depressionen, Zwangsstörungen und chronischen Schmerzen kann jedoch erst nach Tagen oder sogar Wochen eintreten – zwischen einer einmaligen Stimulation und dem endgültigen klinischen Ergebnis besteht ein langer Zyklus von „Intervention zu Reaktion“. Gleichzeitig sind diese Erkrankungen in der Regel an mehreren Symptomen und Gehirnkreisläufen beteiligt. Selbst wenn sich die Werte in den Bewertungsskalen verbessern, ist es schwer zu bestimmen, welcher Kreislauf oder welches Symptom genau verändert wurde.

Dazu schlug Sabes drei entscheidende Richtungen für Durchbrüche vor: Kausale Manipulation (Causal manipulation), multiskalige Beobachtungen (Multiscale observations) und Längsschnittstudien (Longitudinal study), das heißt, nach der Durchführung einer Stimulation werden die physiologischen Veränderungen unverzüglich aufgezeichnet, und die Veränderungen auf der Ebene lokaler Gehirnregionen, neuronaler Netze bis hin zu Verhalten und Symptomen werden weiter verfolgt.

Besonders im Bereich der kausalen Manipulation reicht es nicht aus, Biomarker zu finden, die mit der Behandlungswirksamkeit „korrelieren“. Viel wichtiger ist es, eine kausale Kette zwischen „Stimulation – physiologische Veränderung – endgültiges Ergebnis“ aufzubauen. „Was wir wirklich brauchen, ist, dass wenn ich diese Maßnahme durchführe, sie dieses physiologische Signal verändert, und diese Veränderung wiederum mit dem endgültigen Ergebnis zusammenhängt.“

Sabes hofft, aus diesem Prozess Signale zu finden, die früh genug auftreten und die endgültige Behandlungswirksamkeit gut vorhersagen können. „Wenn wir im Voraus wissen, was passieren wird, können wir die Behandlung früher optimieren, den Experimentierzyklus verkürzen und mehr Daten. Letztendlich ist dies ein Datenproblem und eine Frage, wie man die Behandlung schnell für den Einzelnen optimiert.“

Sicherstellen, dass klinische Behandlungen kontinuierlich Daten liefern, die für Lernprozesse nutzbar sind

Zukünftige Systeme für neuronale Regulation sind Systeme, die kontinuierlich Experimente durchführen und lernen. In der Praxis passen Ärzte bereits ständig die DBS-Parameter für ihre Patienten an. In gewissem Sinne ähnelt jede Parameteranpassung einem Experiment: Man ändert die Stimulationsparameter und beobachtet dann die Reaktion des Patienten.

Allerdings wies Sabes darauf hin: „Viele Maßnahmen, die wir heute an Patienten durchführen – wir nennen sie Parameteranpassung oder klinische Behandlung – sind keine Experimente, aus denen jemand wirklich etwas lernen kann. Wir führen nicht genügend Beobachtungen durch und erfassen die Daten nicht.“ Deshalb besteht der nächste entscheidende Schritt darin, die Gültigkeit der klinischen Daten zu verbessern.

Das hier genannte „Experiment“ erfordert keine zusätzlichen Interventionen. Stattdessen werden während des normalen Diagnose- und Behandlungsprozesses gleichzeitig Stimulationsparameter, Gehirnaktivität, Veränderungen der neuronalen Netze und klinische Ergebnisse aufgezeichnet. Dadurch wird eine Behandlung gleichzeitig zur Datenquelle für die Entscheidungsfindung bei der nächsten Behandlung, sodass sich schließlich ein Zyklus aus „Intervention – Beobachtung – Vorhersage – Anpassung – erneute Intervention“ bildet.

Während der Patient die Behandlung erhält, lernt das System kontinuierlich, warum diese Behandlung wirkt und wie der nächste Patient behandelt werden sollte.

Zuerst mit Experimenten und Daten die Frage beantworten, welche Geräte entwickelt werden sollen

Dieser Ansatz beeinflusst auch den Entwicklungspfad für Produkte zur Gehirn-Computer-Schnittstelle.

Sabes berichtete, dass er früher einmal ein Unternehmen gegründet hatte, das direkt entsprechende Neuro-Interface-Geräte entwickeln wollte, aber am Ende nicht genügend Finanzmittel erhielt. Ein wichtiger Grund dafür war, dass das Team zu diesem Zeitpunkt noch nicht genau wusste, welche Art von Gerät letztendlich benötigt wird.

„Das ist wie ein ‚Henne-Ei-Problem‘: Wenn man das Gerät bereits hat, kann man Experimente durchführen. Wenn man die Experimente abgeschlossen hat und die Daten vorliegen, weiß man wiederum, welches Gerät man bauen soll.“

Seine Lösung besteht darin, zuerst ausreichend gute experimentelle Geräte zu bauen, um Daten in angemessenem Umfang zu erfassen, und dann anhand dieser Daten die wirklich benötigten klinischen Produkte zu definieren. Das ist auch eines der Themen, auf die sich Arbor Neuroscience (im Folgenden „Arbor“ genannt) derzeit besonders konzentriert.

Sabes ist der Ansicht, dass für die neuronale Regulation zwei Arten von Technologien besondere Aufmerksamkeit verdienen: Zum einen Elektrodensysteme, die gleichzeitig stimulieren und aufzeichnen können, zum anderen Ultraschall.

Bei den Elektroden können die bestehenden klinischen DBS-Systeme zwar bereits teilweise Gehirnsignale aufzeichnen, aber die Dimensionen der Daten sind noch begrenzt. Geräte, die wirklich für die Erforschung von Krankheitsmechanismen und individualisierte Behandlungen geeignet sind, müssen sowohl bei der Stimulation als auch bei der Aufzeichnung verbessert werden und die Fähigkeit besitzen, Beobachtungen und Regulationen über verschiedene räumliche Skalen hinweg durchzuführen.

Er erklärte, dass am Beispiel der Parkinson-Krankheit selbst im gleichen Nucleus subthalamicus (STN) unterschiedliche Symptome wie Tremor, Steifheit und Gangstörungen verschiedenen Teilbereichen entsprechen können. Wenn man eine genauere Stimulation durchführen kann, lassen sich die Behandlungen für verschiedene Symptome separat optimieren.

Bei komplexeren Erkrankungen wie Depressionen muss das Problem auf der Ebene der Gehirnnetze verstanden werden: Unterschiedliche Symptome können von unterschiedlichen Kreisläufen herrühren. Zukünftig müssen mehrere Ziele gleichzeitig verstanden und sogar reguliert werden, anstatt einfach einen einheitlichen Stimulationsort zu suchen.

Ultraschallstimulation und funktionelle Bildgebung eröffnen neue Wege für die neuronale Regulation

Zu einer weiteren wichtigen Technologie wies Sabes darauf hin, dass Ultraschall im Vergleich zu implantierten Elektroden einen potenziellen Vorteil bietet: Es ist nicht erforderlich, Aufzeichnungselektroden direkt in das Gehirngewebe zu implantieren, und der Ultraschallstrahl kann gesteuert und fokussiert werden, um auf verschiedene Gehirnregionen einzuwirken.

Das von Arbor zuvor entwickelte funktionelle Ultraschallsystem (entwickelt von seinem Vorgängerunternehmen Forest Neurotech) versucht darüber hinaus, neuronale Aktivitäten anhand von Veränderungen des zerebralen Blutflusses auszulesen. Sabes beschrieb die Fähigkeit der funktionellen Ultraschallbildgebung (fUS/fUSI) als eine „tragbarere Variante der fMRI (funktionelle Magnetresonanztomographie)“.

Allerdings ist es derzeit schwierig, mit dieser hochwertigen funktionellen Ultraschall-Gehirnbildgebung direkt durch den intakten Schädel eines Erwachsenen ausreichend klare Gehirnsignale zu erhalten. Normalerweise müssen Patienten bereits Operationen wie eine kraniale Dekompression hinter sich haben und über ein für Ultraschall durchlässiges Fenster im Schädel oder implantierte Materialien verfügen. Wenn diese Voraussetzungen erfüllt sind, kann das System die kortikale Aktivität beobachten und zudem Signale im Zusammenhang mit tiefen Gehirnstrukturen auslesen.

Damit die funktionelle Ultraschallbildgebung für Langzeitbeobachtungen eingesetzt werden kann, muss die Portabilität der Geräte weiter verbessert werden. Arbor plant, das derzeit noch von einem Host-Gerät und einem Computer abhängige System weiter zu verkleinern, sodass Patienten es mit nach Hause nehmen können, um Aufzeichnungen über mehrere Stunden oder sogar langfristig in einer natürlicheren Umgebung durchzuführen.

Wenn die funktionelle Ultraschallbildgebung also durch die Schädelbegrenzung eingeschränkt ist, kann die Ultraschall-Gehirn-Computer-Schnittstellentechnologie letztendlich auch für normale Patienten oder sogar gesunde Menschen eingesetzt werden?

Dazu sprach Sabes getrennt über die beiden Fähigkeiten „fokussierter Ultraschall (FUS) für die Therapie“ und „Bildgebung der Gehirnaktivität mithilfe von Ultraschall“. Er erklärte, dass fokussierter Ultraschall bei der Therapie durch Maßnahmen wie die Senkung der Frequenz eine transkranielle Ausbreitung erreichen kann, wobei die zielgerichtete Lokalisierung derzeit etwa einige Millimeter genau ist. Die eigentliche Schwierigkeit besteht jedoch darin, die Veränderungen der Gehirnaktivität während der Behandlung genau zu sehen.

Er fasste viele der derzeitigen Nervenstimulationen als „Poke and hope“ zusammen: Man gibt eine Stimulation und wartet dann ab, was passiert. Einer der Durchbruchspunkte für die zukünftige neuronale Regulation besteht darin, ob Stimulation, Auslesen und Vorhersage einen geschlossenen Kreislauf bilden können.

Gehirn-Computer-Schnittstellen erfordern eine Neugestaltung der Methoden zur Erfassung menschlicher Daten

Wenn zuverlässige Therapien auf großen Mengen menschlicher Daten angewiesen sind – woher kommen diese Daten?

Sabes erklärte, dass Unternehmen bei verbraucherorientierten Elektronikprodukten wie Armbändern problemlos Tausende von gesunden Menschen dazu bringen können, diese mehrere Stunden lang zu tragen, kontinuierlich Daten zu sammeln und die Algorithmen so zu trainieren, dass sie direkt nach dem Auspacken nutzbar sind. Bei Gehirnimplantaten lässt sich dieser Weg aber offensichtlich nicht verfolgen. „Man kann 10.000 oder 60.000 Menschen dafür bezahlen, ein Armband zu nutzen – aber man kann nicht 60.000 Menschen dazu bringen, ein Gehirnimplantat zu erhalten.“

Deshalb müssen Gehirn-Computer-Schnittstellen und neuronale Regulation unterschiedliche Methoden zur Datenerfassung entwickeln. Einerseits werden sehr hochpräzise, langfristige und multimodale Daten von einer kleinen Anzahl von Patienten erfasst; andererseits wird eine größere Anzahl von Patienten mit relativ geringen Kosten abgedeckt, bevor die Daten verschiedener Skalen kombiniert werden.

Er wies darauf hin, dass es nicht ausreicht, sich nur auf präzise Experimente an einzelnen Patienten zu stützen, da es enorme individuelle Unterschiede bei Krankheitstypen, Gehirnstrukturen und neuronalen Kreisläufen gibt. Deshalb muss ein zukünftiges echtes Modell zwei Dinge gleichzeitig lösen: Eine kleine Anzahl von Patienten muss ausreichend tiefgehend untersucht werden, während eine große Anzahl von Patienten ausreichend breit abgedeckt wird.

„Langfristig hoffen wir, dass Gehirn-Schnittstellen nicht nur eine Therapie bieten können, sondern uns auch sagen, warum sie wirkt. Jeder Patient kann Teil eines kontinuierlichen Experiments werden, und all diese Daten werden schließlich zusammengeführt, um die nächste Behandlung zu verbessern.“

Deshalb stehen neben der Entwicklung von Geräten mit höherer Kanalzahl, präziserer Stimulation und geringerer Baugröße auch die Vorhersage der Behandlungswirksamkeit, individualisierte Optimierung und Fähigkeiten zum kontinuierlichen Lernen als wichtige Entwicklungsrichtungen der nächsten Generation von Gehirn-Computer-Schnittstellen im Fokus.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „IPO Early Knowledge“ (ID: ipozaozhidao), Autor: Uncle C, veröffentlicht mit Genehmigung von 36Kr.