AI ออกแบบสัญญาณกระตุ้นสมองให้ ‘ดวงตาเทียม’ แม่นขึ้น เรียนรู้สมองคนว่าตอบสนองยังไง แล้วค้นหาสัญญาณที่จะได้ผลตามเป้า

ชายวัย 27 ปีที่สูญเสียการมองเห็นจากการบาดเจ็บที่สมอง กลายเป็นผู้เข้าร่วมการทดลองคนแรกที่ได้ทดสอบแนวคิดใหม่ของอุปกรณ์ปลูกถ่ายกระตุ้นสมองส่วนการมองเห็น (Visual Cortical Prosthesis) หรือที่หลายคนเรียกกันติดปากว่า 'ดวงตาไบโอนิก' โดยแทนที่จะใช้สูตรกระตุ้นไฟฟ้าที่ตั้งค่าไว้ล่วงหน้า ทีมวิจัยปล่อยให้ปัญญาประดิษฐ์เป็นคนออกแบบสัญญาณให้ตรงกับสมองของเขาเอง

งานวิจัยชิ้นนี้เป็นการพิสูจน์แนวคิด (Proof-of-Concept) ที่ตีพิมพ์ในวารสาร Neuron ภายใต้ชื่อ "Deep learning-based control of electrically evoked activity in human visual cortex" เป็นผลงานร่วมระหว่าง University of California, Santa Barbara (UCSB), ETH Zurich และ Miguel Hernández University ผลที่ออกมาคือรูปแบบการกระตุ้นที่ AI ออกแบบสามารถสร้างกิจกรรมของเซลล์ประสาทตามเป้าหมายได้แม่นยำกว่าวิธีมาตรฐาน ทั้งที่ใช้กระแสไฟฟ้าน้อยกว่า

สมองไม่ใช่หน้าจอ และแสงวาบก็ไม่ใช่พิกเซล

โจทย์ใหญ่ของการทำอุปกรณ์ปลูกถ่ายกลุ่มนี้คือความเข้าใจผิดที่ฝังอยู่ในวิธีคิดแบบวิศวกรรมมานาน เมื่อกระตุ้นไฟฟ้าเข้าไปที่สมองส่วนการมองเห็น (Visual Cortex) ผู้ใช้จะรับรู้เป็นแสงวาบที่เรียกว่า Phosphene ซึ่งมีลักษณะเป็นจุด แสงกะพริบ หรือรูปทรงของแสงที่คล้ายดวงดาวหรือประกายไฟ ทีมวิศวกรจึงมักตั้งสมมติฐานว่าถ้าเพิ่มจำนวนขั้วไฟฟ้าที่กระตุ้นเข้าไป ภาพที่ผู้ใช้เห็นก็น่าจะสมบูรณ์ขึ้นตามไปด้วย

Michael Beyeler รองศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์แห่ง UCSB และหนึ่งในผู้ควบคุมงานวิจัย อธิบายว่า "วิศวกรมักอยากปฏิบัติกับ Phosphene เหมือนเป็นพิกเซล คือกระตุ้นขั้วไฟฟ้าให้มากขึ้นแล้วน่าจะได้ภาพที่ครบถ้วนขึ้น แต่สมองไม่ได้ทำงานแบบนั้น" ซึ่งเป็นจุดที่ทำให้อุปกรณ์รุ่นก่อนหน้าติดเพดาน เพราะการเพิ่มความละเอียดของสัญญาณไม่ได้แปลว่าการรับรู้จะละเอียดตาม

โมเดลที่เดาใจสมองก่อน แล้วย้อนกระบวนการมาออกแบบสัญญาณ

อุปกรณ์ที่ใช้ในการทดลองคือแผงขั้วไฟฟ้า 96 ช่องสัญญาณ (96-channel Electrode Array) ที่ฝังชั่วคราวเป็นเวลา 6 เดือนในสมองส่วนการมองเห็น ผ่าตัดที่ Hospital IMED Elche ประเทศสเปน ในฐานะส่วนหนึ่งของการทดลองประเมินความเป็นไปได้ (Feasibility Trial) ที่ใหญ่กว่านี้ จุดสำคัญคืออุปกรณ์นี้ทำได้ทั้งปล่อยกระแสไฟฟ้าเข้าไปกระตุ้น และบันทึกการตอบสนองของสมองกลับออกมา

ความสามารถในการบันทึกสัญญาณนี่เองที่เปิดทางให้ทีมวิจัยฝึกโครงข่ายประสาทเทียมเชิงลึก (Deep Neural Network) ด้วยข้อมูลการทำงานของสมองจริง แทนที่จะพึ่งกฎการกระตุ้นที่กำหนดไว้ตายตัว โมเดลเรียนรู้ที่จะทำนายว่าสมองของผู้เข้าร่วมจะตอบสนองอย่างไรต่อรูปแบบการกระตุ้นแต่ละแบบ แล้วจากนั้นจึงทำงานย้อนกลับ คือรับโจทย์ว่าอยากได้กิจกรรมของเซลล์ประสาทแบบไหน แล้วไล่ค้นหาว่าค่าการกระตุ้นชุดใดมีโอกาสสร้างผลลัพธ์นั้นได้มากที่สุด กลายเป็นการควบคุมแบบวงจรปิด (Closed-loop Control)

อีกองค์ประกอบที่ทำให้โมเดลแม่นขึ้นคือการนำกิจกรรมสมองขณะพัก (Resting Brain Activity) ที่วัดก่อนการกระตุ้นแต่ละครั้งเข้ามาคำนวณด้วย เพราะความพร้อมในการตอบสนองของเซลล์ประสาทไม่ได้คงที่ แต่แกว่งไปมาในแต่ละช่วงเวลา การรู้สถานะตั้งต้นของสมองก่อนยิงสัญญาณจึงช่วยให้ระบบปรับความแรงได้เหมาะสมขึ้นแบบวินาทีต่อวินาที

แม่นกว่า เบากว่า และบอกได้ดีกว่าว่าผู้ใช้เห็นอะไร

ผลการทดสอบกับผู้เข้าร่วมพบว่ารูปแบบการกระตุ้นที่ AI ออกแบบสร้างกิจกรรมของสมองตามเป้าหมายได้ตรงกว่าวิธีเปรียบเทียบแบบเดิม ขณะเดียวกันก็ใช้กระแสไฟฟ้าน้อยลง ซึ่งมีนัยสำคัญต่อความปลอดภัยและอายุการใช้งานของอุปกรณ์ในระยะยาว

สิ่งที่น่าสนใจไม่แพ้กันคือทีมวิจัยพบว่าสัญญาณสมองที่บันทึกได้บอกใบ้ถึงสิ่งที่ผู้เข้าร่วมรับรู้จริงได้ดีกว่าค่าพารามิเตอร์การกระตุ้นเพียงอย่างเดียว พูดในเชิงหลักการคือ 'สิ่งที่สมองทำกับสัญญาณนั้นสำคัญไม่แพ้ตัวสัญญาณที่ส่งเข้าไป' ซึ่งเป็นเหตุผลว่าทำไมการออกแบบอุปกรณ์รุ่นถัดไปจึงควรอ่านการตอบสนองของสมองประกอบด้วย ไม่ใช่ตั้งค่าแล้วปล่อยผ่าน

จุดที่ต้องพูดให้ตรงคือการรับรู้ของผู้เข้าร่วมยังจำกัดอยู่แค่ระดับ Phosphene คือจุดแสง แสงกะพริบ และรูปทรงของแสง ไม่ใช่ภาพที่มีรายละเอียดแบบการมองเห็นตามปกติ งานชิ้นนี้จึงยังไม่ใช่การคืนการมองเห็นให้ผู้ป่วย แต่เป็นการวางกรอบวิธีการที่ชี้ว่าอุปกรณ์ในอนาคตสามารถเรียนรู้ลักษณะเฉพาะของสมองแต่ละคนและปรับการกระตุ้นแบบเรียลไทม์ได้จริง

เป้าหมายคืออุปกรณ์ที่ปรับตัวเข้าหาคน ไม่ใช่ให้คนปรับตัวเข้าหาอุปกรณ์

จุดแข็งเชิงการรักษาของอุปกรณ์กลุ่มนี้คือการข้ามดวงตาและเส้นประสาทตาไปทั้งหมด แล้วส่งสัญญาณตรงเข้าสมองส่วนการมองเห็น หมายความว่ากลุ่มผู้ที่สูญเสียการมองเห็นจากโรคหลอดเลือดสมอง โรคระบบประสาทเสื่อม หรือการบาดเจ็บที่สมอง ซึ่งเดิมไม่ใช่กลุ่มเป้าหมายของอุปกรณ์ปลูกถ่ายจอตา ก็มีโอกาสได้ประโยชน์จากเทคโนโลยีนี้ด้วย

Michael สรุปทิศทางของงานไว้ว่า "อุปกรณ์ช่วยการมองเห็นที่ใช้งานได้จริงจะพึ่งสูตรตายตัวไม่ได้ มันต้องเรียนรู้ว่าสมองของแต่ละคนตอบสนองอย่างไรแล้วปรับการกระตุ้นตามนั้น สุดท้ายแล้วอุปกรณ์ต้องปรับตัวเข้าหาคน ไม่ใช่ให้คนปรับตัวเข้าหาอุปกรณ์"

งานวิจัยนี้ต่อยอดจากงานเชิงคำนวณที่ได้รับทุน Director's New Innovator Award จากสถาบันสุขภาพแห่งชาติสหรัฐฯ (National Institutes of Health หรือ NIH) เมื่อปี 2022 มูลค่า 2 ล้านดอลลาร์สหรัฐ ระยะเวลา 5 ปี โดยมีผู้เขียนหลักร่วมสามคนคือ Pehuén Moure จาก ETH Zurich, Jacob Granley จาก UCSB และ Fabrizio Grani จาก Miguel Hernández University ภายใต้การควบคุมของ Michael Beyeler,Shih-Chii Liu จาก ETH Zurich และ Eduardo Fernández จาก Miguel Hernández University

สถานะปัจจุบันของเทคโนโลยีนี้ยังอยู่ในขั้นงานวิจัย ยังไม่มีการนำออกมาใช้ในเชิงพาณิชย์ และการทดสอบยังจำกัดอยู่ที่ผู้เข้าร่วมเพียงรายเดียวในช่วงเวลาที่ฝังอุปกรณ์ชั่วคราว 6 เดือน ขั้นถัดไปที่ทีมวิจัยต้องพิสูจน์คือการขยายผลไปยังผู้เข้าร่วมจำนวนมากขึ้น และการยกระดับจากการควบคุมแสงวาบไปสู่การสร้างรูปแบบการรับรู้ที่ซับซ้อนกว่าเดิม

ที่มา: UC Santa Barbara, EurekAlert