Ein Forschungsteam der Universitäten Kalifornien, Santa Barbara, der ETH Zürich und der Miguel-Hernández-Universität hat nachgewiesen, dass Deep-Learning-Modelle die Signalübertragung zwischen visuellen kortikalen Implantaten und dem menschlichen Gehirn signifikant verbessern können. Die Ergebnisse, die kürzlich in der Fachzeitschrift Neuron vorgestellt wurden, markieren einen wichtigen Schritt hin zu präziseren und anpassungsfähigeren Sehprothesen für Menschen mit geschädigten visuellen Bahnen, deren primärer Sehkortex jedoch noch funktionsfähig ist. Im Rahmen einer klinischen Machbarkeitsstudie am Hospital IMED Elche in Spanien testeten die Forscher ein neu entwickeltes künstliches Intelligence-Modell an einem 27-jährigen Teilnehmer, dessen Sehvermögen infolge eines schweren Schädel-Hirn-Traumas erloschen war. In dessen Sehkortex war ein Implantat mit einem Raster aus 96 Elektroden implantiert. Traditionelle Ansätze bei kortikalen Prothesen stoßen häufig an Grenzen, da elektrische Stimulationsmuster neuronale Antworten nur unzuverlässig vorhersagen und die wahrgenommene Lichterscheinung nicht linear mit der Anzahl der aktiven Elektroden korreliert. Das neuartige neuronale Netz adressiert dieses Problem, indem es nicht nur die gesetzten Stimulationsparameter, sondern auch die ruheaktiven Gehirnströme des Patienten in Echtzeit einbezieht. Durch die Integration dieser physiologischen Daten konnte das Modell Stimulationsmuster identifizieren, die die gewünschten neuronalen Aktivitätsmuster präziser auslösen und dabei einen geringeren elektrischen Strombedarf erfordern. Besonders entscheidend war die Erkenntnis, dass die tatsächlich aufgezeichnete Hirnaktivität weitaus besser Aufschluss über das vom Patienten wahrgenommene Sehphänomen gibt als die reinen Geräteparameter. Das System demonstriert damit die Fähigkeit, sich an fluktuierende neuronale Zustände anzupassen und eine personalisierte, dynamische Schnittstelle zu etablieren. Die Studie wird von Michael Beyeler, Pehuén Moure, Jacob Granley und Fabrizio Grani sowie den Supervisoren Shih-Chii Liu und Eduardo Fernández geleitet. Die Ergebnisse unterstreisen den Paradigmenwechsel in der neuroprothetischen Forschung: weg von statischen Stimulationsraster hin zu lernfähigen Systemen, die sich kontinuierlich an die individuelle Neurodynamik des Trägers anpassen. Mit dieser Technologie lassen sich künftig auch Patienten helfen, deren Erblindung auf neurodegenerative Erkrankungen, Schlaganfälle oder Unfälle zurückzuführen ist. Die Forscher betonen, dass eine zukünftige Sehprothese nicht auf fixierten Rezepten basieren darf, sondern ein adaptives Lernverhalten zeigen muss, um langfristige, stabile visuelle Wahrnehmungen zu ermöglichen. Das Projekt ist Teil einer laufenden großangelegten Machbarkeitsstudie, deren Daten langfristig die Entwicklung kommerziell nutzbaler, hochauflösender visueller Implantate vorantreiben sollen.