Млади добитник награде: Да ли нам кортикални сигнали могу рећи шта се дешава у дубоком мозгу? | Конгрес 2026

Дакле, ово је транслациона студија која истражује да ли се активност снимљена из кортекса мозга може користити за реконструкцију онога што се дешава у дубљим можданим структурама, и ово би потенцијално могло да реши нека од ограничења сензора у тренутним системима адаптивне дубоке мождане стимулације.

Зисјао, честитке на награди и добродошли у подкаст.

Др Зисјао Јин: Хвала вам. Хвала вам што сте ме позвали.

Др Микеле Матарацо: Желео бих да [00:01:00] почнем са клиничким проблемом који овај рад жели да реши. Адаптивна DBS нас све више помера од једноставног пружања симулације ка систему који може и да слуша мозак и да реагује на мозак и његову активност, наравно. Али ваша студија полази од претпоставке да директно снимање из дубоких делова мозга није увек толико поуздано колико бисмо желели.

Која су тренутно главна ограничења субкортикалног сензора са тренутним DBS системима и шта вас је навело на помисао да би кортикална активност могла пружити алтернативни увид у оно што се дешава и у дубоким деловима мозга?

Др Зисјао Јин: Да, то је веома добро питање. Дакле, као што сте рекли, дубока стимулација мозга данас се пребацује из режима сталне укључености у адаптивни режим. Тако уређај може да слуша мозак и прилагођава стимулацију у реалном времену. Али, наш рад покушава да реши проблем слушања.

 Дакле, слушање [00:02:00] може бити крхки део. Иста електрода коју познајемо која испоручује стимулацију од 130 херца такође мора да снима те веома ситне сигнале микроволтне скале, а артефакти стимулације могу да је искриве, а хардвер понекад може да откаже. Тренутни систем вам даје само један или два биполарна канала за снимање сигнала из дубоког мозга.

Дакле, то су сва ограничења тренутних система за детекцију. То је разлог зашто желимо да их побољшамо, да их учинимо робуснијим, да направимо систем затворене петље. А кортикална детекција је један од начина који желимо да предложимо.

Др Микеле Матарацо: И барем по вашем искуству, у практичном смислу, колико често ови артефакти или прекиди сигнала, или ограничење, х-колико често представљају значајан проблем за адаптивни DBS тренутно?

Др Зисјао Јин: Мислим да у клиници, као и за адаптивни DBS, уређај Medtronic Percept формално улази у клинику као комерцијални уређај. А [00:03:00] у Кини имамо и неке друге марке попут PINS-а. Рекао бих да стимулација често може изазвати изобличење у квалитету сигнала, а неки други артефакти попут покрета такође могу бити проблематични.

И мислим да су то све проблеми који ће смањити квалитет сигнала. 

Др Микеле Матарацо: Један занимљив аспект ваше студије је такође скуп података, обим скупа података. Говоримо о 723 сата истовремених кортикалних и субкортикалних снимака. Ако се не варам, радило се о 49 пацијената у три центра: Берлину, Пекингу и Сан Франциску.

И што је најважније, барем оно што сам прочитао из вашег апстракта, ови снимци покривају различита стања понашања, услове лечења, циљеве у мозгу, па чак и различите поремећаје кретања. Можете ли нам показати овај скуп података? Шта сте тачно снимали из кортекса, а шта сте снимали из дубоког мозга и под [00:04:00] којим условима?

Др Зисјао Јин: Да, тачно. Прво, желела бих да се захвалим свом ментору, Волф-Јулијану Нојману, који је сада у Швајцарској, али је био у Берлину, и организовао је тако огроман скуп података који укључује пацијенте на три континента, као што су САД, Европа и Кина. Ако заиста желимо да ово кортикално декодирање дубоких можданих сигнала функционише, да овај декодер функционише, заиста су нам потребне све врсте понашања и све врсте пацијената, чак и са различитим дијагнозама.

Дакле, овде у овом скупу података, бележимо пацијенте са Паркинсоновом болешћу и пацијенте са дистонијом, па чак и пацијенте са Туретовим синдромом, и бележимо их док изводе ротације руку, односно покрете, и док спавају. Дакле, имамо будно и стање у сну. Такође, пошто пацијенти са уређајем за дубоку стимулацију мозга имају терапије, на пример, лекове и стимулацију.

Такође смо истражили да ли наш декодер може [00:05:00] да ради у различитим терапијским стањима као што су укључено/искључено СТН и укључено/искључено лечење. Дакле, наш скуп података то покрива.

Др Микеле Матарацо: Прилично импресивно. Сада, са свим овим информацијама и овим подацима, развили сте конволуциону неуронску мрежу под називом CTXNet која узима кортикалне сигнале и предвиђа субкортикалну активност. Можете ли објаснити како бисмо сви ово разумели, знајући да нисмо сви стручњаци за ову врсту моделирања?

Које информације модел прима и шта тражите од модела да предвиди?

Др Зисјао Јин: Модел прима информације из кортекса. Користимо ову ECoG, електрокортикографију, за детекцију кортикалних сигнала. У основи, то су мождани таласни облици израчунати након одређене претходне обраде, а затим добијамо све врсте информација попут спектралних опсега и карактеристика таласних облика које затим можемо да унесемо у овај декодер.

И [00:06:00] као што сте рекли за део о конволуционој неуронској мрежи, покушавамо да реконструишемо спектралне карактеристике дубоког мозга. Дакле, у тој фази смо, нећемо поново регенерисати пуни сигнал дубоког мозга, већ само желимо да реконструишемо, на пример, бета снагу током времена у дубоком мозгу, у субталамичном језгру.

То је био улаз и излаз тих података.

Др Микеле Матарацо: И извештавате да је овај приступ конволуционе неуронске мреже био приближно 40% бољи од конвенционалних приступа спектралних карактеристика, барем за декодирање активности STN опсега. Шта нам ово говори? Колико је то побољшање од 40%? Да ли је то довољно? Да ли је то тачно?

Др Зисјао Јин: Да, то је занимљиво питање. Дакле, 40% онога са чиме се поредимо су конвенционални модели попут машинског учења, јер прво желимо да покушамо да изградимо мапирање односа између кортекса и дубоког мозга. Дакле, прво користимо те моделе машинског учења [00:07:00], узимајући конвенционалне временске серије или карактеристике спектра у модел, а затим покушавамо да предвидимо бета снагу у дубоком мозгу.

Али проблем са тим моделом је што нису сви стручњаци у овој области, тако да не знамо увек које су најинформативније карактеристике које треба унети у модел. Дакле, снага конволуционе неуронске мреже је у томе што она узима сирове сигнале из кортекса, а затим аутоматски бира најинформативније карактеристике које је генерисала из тих сирових сигнала и прилагођава њихове тежине неуронској мрежи, а затим даје излаз.

Дакле, мислим да је тако дошло до овог побољшања од 40%. А што се тиче тога колико је високо, зато што морам да признам да је укупна Пирсонова корелација између реконструисане бета снаге и стварне бета снаге, коефицијента корелације, у распону од око 0.3 до 0.5.

То није баш високо, али ми [00:08:00] такође можемо потврдити да из овог скупа тачности можемо поуздано детектовати, попут бета експлозије, патолошке активности експлозије у дубоком мозгу код Паркинсонове болести, кажемо око 70% тачности. Још увек има простора за побољшање, али ово је више као доказ концепта.

Др Микеле Матарацо: Одлично. Сада, друга ствар коју сте урадили у својој студији, јер је предвиђање једног биомаркера као што је бета активност једна ствар, али сте такође користили вероватносне моделе дифузије за уклањање шума да бисте реконструисали сам сирови дубоки мождани сигнал. Можете ли објаснити шта ово значи и како ово функционише?

Др Зисјао Јин: Мислим да је то најузбудљивији део овог рада. Раније смо само желели да ако можемо поново да изградимо бета верзију, то је већ невероватно. То је већ прилично јак декодер. А онда желимо да направимо корак даље да видимо да ли може да реконструише цео сигнал снимљен из дубоког мозга.

Проблем [00:09:00] са декодирањем само једног опсега је тај што нам је потребан један посебан декодер за један опсег. То значи да ако желимо да декодирамо бета, онда нам је потребан бета декодер. Ако желимо да декодирамо алфа, онда нам је потребан алфа декодер. Али ако можемо да реконструишемо сирови сигнал, онда можемо да узмемо тај сигнал и израчунамо било које опсеге које желимо.

Дакле, ДДПМ, вероватносни модел дифузије за уклањање шума који сте поменули, је попут модела који стоји иза генератора слика тренутног доба. Дакле, не као регресиони модел који генерише једну тачку за другом. Генерише низ бројева, вредности.

Дакле, то су сирови STN сигнали. 

Др Микеле Матарацо: Одлично. И као што сте поменули, отишли ​​сте корак даље у смислу да ово нисте само упоређивали са стварном дубоком можданом активношћу, већ сте такође проучавали да ли ово може предвидети тежину моторичких проблема, зар не?

Др Зисјао Јин: Као што узимамо предвиђену STN снагу, STN сирови сигнал, [00:10:00] затим израчунавамо бета снагу из тих импутираних сигнала. А затим користимо те карактеристике да предвидимо UPDRS резултат моторичке тежине пацијента, и можемо видети да је стварна UPDRS вредност у односу на нашу предвиђену UPDRS вредност корелација око 0.7.

То је прилично високо. Морам овде нешто да разјасним, као што сам рекао, корелација бета снаге између стварног сигнала и импутираног је око 0.3 до 0.5, али то је унутар пацијента. Дакле, бета снага пацијента осцилује, али је и даље око један на нивоу, одређеном нивоу субјекта.

Али ако ово урадимо са свим субјектима, основни ниво сваког субјекта је мање-више другачији. А DDPM и модели неуронске мреже могу прецизније да ухвате те разлике између субјеката него разлике унутар субјекта. То је поента.

Др Микеле Матарацо: У реду. [00:11:00] Враћајући се сада на почетак овог интервјуа, разговарајући о томе који је клинички проблем који желимо да решимо. Сада када знамо мало више о вашим подацима, покушајмо да замислимо реалну клиничку примену. У апстракту, сугеришете да би ово на крају могло допринети неинвазивној неуромодулацији затворене петље коришћењем ЕЕГ-а скалпа.

И овде заправо постоје два различита транслациона корака. Прво, коришћење имплантираног кортикалног снимања за побољшање или чак, или можда спасавање субкортикалног осећаја, и друго, потенцијална замена имплантираног кортикалног осећаја нечим мање инвазивним, нечим, рецимо, што можете имати ван лобање.

Која од те две примене је по вашем мишљењу реално најближа клиничкој имплементацији или који од ова два различита приступа би по вашем мишљењу био вреднији у клиничкој пракси?

Др Зисјао Јин: Да, то је веома добро питање. Да будем искрен, мислим да су оба веома вредна. А што се тиче тога који је ближи [00:12:00] клиничкој примени, мислим да је то први који спасава дубокомозне сензоре. Јер, на пример, ако можемо прво имати алгоритам, он детектује артефакте у дубоком мозгу, и када осети да постоји јак артефакт који може ометати дубокомозне сензоре као повратни сигнал за систем затворене петље, онда може да пређе са дубокомозних сензора на кортикалне сензоре, а онда је сам кортикални сензор већ вредан, а затим може и да импутира дубокомозне сигнале и да их дода као повратни сигнал.

И све у свему, ово ће учинити систем затворене петље робуснијим. А ваша друга поента је да можда можемо да користимо на пример, ЕЕГ главе да бисмо водили те неинвазивне терапије стимулације. Мислим да је то такође добра поента. На пример, сада имамо те временске интерференције или фокусирани ултразвук који могу да примене стимулацију на дубоке области мозга.

Ако [00:13:00] заиста желимо да те терапије буду затворене петље, потребан нам је и повратни сигнал. И у многим случајевима, на пример, код Паркинсонове болести, патолошка осцилација, робусна, α-како смо сада утврдили, је бета снага у STN-у. Дакле, ако можемо да ставимо, не нужно скалп ЕЕГ, већ може бити и ECoG, а затим детектујемо кортикалне сигнале и користимо то да импутирамо сигнале како бисмо добили информације о стању дубоког мозга, а затим то можемо да користимо да усмеримо испоруку неинвазивне стимулације.

Онда не морамо да имплантирамо електроду у дубоки мозак само због сензорних разлога.

Др Микеле Матарацо: Одлично. Зисјао, дозволите ми да завршим са последњим питањем, које гласи: Шта планирате да радите сада? Претпостављам да још увек радите у тој области. Планирате да даље проучавате како да ово користите у клиничкој пракси. Каква је будућност - ваша будућност као младог истраживача и каква је будућност ове технологије?

Др Зисјао Јин: Да, хвала на питању. Мислим [00:14:00] да и даље постоји неколико ограничења ове технике. Као што сам рекао, мислим да је тренутно њена тренутна фаза више као доказ концепта, али ако заиста желимо да је изградимо у систему у реалном времену са веома малим кашњењем, а када је у питању имплантабилни уређај, они такође имају веома мало супер мале меморије. Не можемо да у њега ставимо велики модел, па морамо да га минимизирамо и смањимо кашњење израчунавања.

Мислим да су то следећи кораци у којима ћемо покушати да применимо ову технику у клиничком окружењу. Поред тога, мој тренутни рад је такође на... Дакле, ово је страна сензора. Као што сам рекао, ова техника се може користити за побољшање детекције стања. На пример, открили смо да се овом импутацијом из кортекса, стањем покрета или стањем спавања код неких s-пацијената, тачност декодирања може побољшати са око 60% на око 80%, на пример за проблем класификације фаза спавања.

Дакле, мислим да је ово једна страна [00:15:00] система затворене петље, страна слушања, а такође тренутно радимо на страни стимулације, односно како најбоље стимулисати мозак када детектујемо одређено стање. Да, као на пример, како би требало најбоље да применимо стимулацију када је пацијент током спавања, ван РЕМ фазе сна.

Али то је већ друга прича. 

Др Микеле Матарацо: Радујемо се што ћемо чути тај део приче у будућности. Зисјао, још једном честитам на освајању Јуниорске награде и хвала вам што сте нас провели кроз овај веома занимљив рад.

Др Зикиао Иин: Хвала. Хвала.

Др Микеле Матарацо: Дакле, за оне од вас који присуствују Конгресу МДС-а у Сеулу, препоручујем вам да потражите постер, који ће бити представљен и на пленарној седници. Имајте на уму да постер носи назив „Декодирање мождане активности из кортикалних сигнала коришћењем дубоког учења код поремећаја кретања“.

Хвала свима што сте се придружили.

 [00:16:00]