NeuralTree. Crédito: Alain Herzog
Los investigadores de la EPFL han combinado los campos del diseño de chips de bajo consumo, los algoritmos de aprendizaje automático y los electrodos blandos implantables para crear una interfaz neuronal capaz de identificar y mitigar los síntomas de diversos trastornos neurológicos.
Mahsa Shoaran, del Laboratorio Integrado de Neurotecnologías de la Escuela de Ingeniería, trabajó junto a Stéphanie Lacour, del Laboratorio de Interfaces Bioelectrónicas Suaves, para crear NeuralTree, un sistema de neuromodulación de circuito cerrado capaz de detectar y aliviar síntomas de enfermedades.
El sistema cuenta con una matriz de detección de 256 canales de alta resolución y un procesador de aprendizaje automático de bajo consumo, lo que le permite extraer y categorizar de manera eficiente una amplia gama de biomarcadores a partir de datos de pacientes reales y modelos animales de enfermedades in vivo. Esto da como resultado un alto nivel de precisión en la predicción de los síntomas.
“NeuralTree se beneficia de la precisión de una red neuronal y la eficiencia del hardware de un algoritmo de árbol de decisiones”, 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 multiclase, 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 IEEE Journal of Solid-State Circuits, la revista líder de la comunidad de circuitos integrados.
Eficiencia, escalabilidad y versatilidad
NeuralTree funciona extrayendo biomarcadores neuronales (patrones de señales eléctricas que se sabe que están asociadas con ciertos trastornos neurológicos) de las ondas cerebrales. Luego clasifica los signos e indica si anuncian un ataque epiléptico inminente o un temblor parkinsoniano, por ejemplo. Si se detecta algún 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 el estado del arte. El chip tiene 256 canales de entrada, en comparación con los 32 de los dispositivos 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), lo que le brinda un gran potencial de escalabilidad para más canales. La integración de un algoritmo de aprendizaje ‘consciente de la energía’, que penaliza los recursos que consumen mucha energía, también hace que NeuralTree sea muy eficiente desde el punto de vista energético.
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 detectar 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 en 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 buscando otras innovaciones.
“Eventualmente, podemos usar interfaces neuronales para muchos trastornos diferentes, y necesitamos ideas algorítmicas y avances en el diseño de chips para que eso suceda. Este trabajo es muy interdisciplinario y, por lo tanto, también requiere la colaboración de laboratorios como el Laboratorio de Interfaces Bioelectrónicas Suaves, que pueden desarrollar electrodos neuronales 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 rastrear la evolución de las señales neuronales.
“Las señales neuronales cambian y, con el tiempo, el rendimiento de una interfaz neuronal se degrada. 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 solos”.
Referencias: «NeuralTree: A 256-Channel 0.227-μJ/Class Versatile Neural Activity Classification and Closed-Loop Neuromodulation SoC» por Uisub Shin, Cong Ding, Bingzhao Zhu, Yashwanth Vyza, Alix Trouillet, Emilie CM Revol, Stéphanie P. Lacour y Mahsa Shoaran, 29 de septiembre de 2022, IEEE Journal of Solid-State Circuits (JSSC).
DOI: 10.1109/JSSC.2022.3204508
“Un SoC versátil de clasificación de actividad cerebral de 0,227 µJ/256 canales y un SoC de neuromodulación de circuito cerrado de 0,004 mm2-1,51 µW/canal con interfaz de señal mixta altamente multiplexada de configuración rápida” por Uisub Shin, Laxmeesha Somappa, Cong Ding, Yashwanth Vyza, Bingzhao Zhu, Alix Trouillet, Stephanie P. Lacour y Mahsa Shoaran, 17 de marzo de 2022, Conferencia internacional de circuitos de estado sólido (ISSCC) del IEEE.
DOI: 10.1109/ISSCC42614.2022.9731776
