为了协助脊髓损伤患者重建其肢体功能和膀胱控制，最新一项新的研究计划将致力于开发利用人工智能(AI)技术的“智能脊柱接口”(intelligent spine interface)。
这项研究计划是由美国布朗大学(Brown University)、英特尔(Intel)、罗得岛医院(Rhode Island Hospital)和Micro-Leads Medical的工程师与神经科学家携手进行，并已获得美国先进研究计划署(DARPA)约630万美元的资助。
在这项研究中，研究人员将为脊髓受伤的患者嵌入电极于其伤部上方和下方的脊柱。透过AI系统执行以生物启发的神经网络，“监听”并学习运动和感官等讯号的含义，目标在于以电子方式重新连接脊柱的两个部分。
“智能脊柱接口”研究计划将记录并分析脊髓损伤患者脊柱中的运动和感官讯号（来源：Intel）
该计划基础建立在脑机接口(BCI)领域中持续进行中的研究，以控制外部效应器。这些研究包括成功与大脑连接以控制计算机鼠标甚至机器人肢体的BrainGate项目，以及有关脑-脊柱接口和脊柱刺激的其他国际性研究计划。
布朗大学工程学院助理教授暨该校脑科学研究所研究员David Borton主导了这项研究计划。
Borton说：“这项计划的特点在于我们其实是想与脊髓展开对话。我们并不只是想要刺激它或与其交谈，还希望能够聆听并学会从脊髓中提取有用的讯号，并利用它们来驱动脊髓刺激。”
研究人员将记录患者受伤部位上方脊柱区域的讯号，然后使用机器学习针对目前尚不完全了解的讯号进行译码，并研究如何最有效加以运用。其想法在于将这些讯号施加到脊柱的下方，以期激发正确的反应。
电子系统
布朗大学、英特尔与罗得岛医院展开合作，利用该医院中监测癫痫患者大脑的研究作为开发基础。罗得岛医院的外科医生将会在患者受伤部位的任何一侧植入一对电极数组，由于患者的损伤类型各不相同，因此这项任务特别困难。医院还为此计划专门打造了一个提供复健设备的空间。
该计划中将使用的电极数组示例，例如来自Micro-Leads Medical的电极数组（来源：Brown University）
实体植入物将采用由Micro-Leads开发的高分辨率脊髓刺激技术，称为HD64。该计划的第一阶段将使用24个触点的电极数组，到了第二阶段则将使用64个触点的电极数组。该触点的大小约为1平方毫米，并且由于神经元约为20微米，因此每个电极将一次记录或刺激数十万个神经元。待记录的讯号是电讯号；而当神经元彼此通讯时，电压发生变化，电极将会感应并记录电场的变化。
研究人员希望“听到”哪些讯号？
“这是研究中令人振奋之处。通常，讯号中存在不同的频段，分别代表不同的基本神经元突起。因此，这可以为我们提供有关实际情况的线索。”英特尔AI产品事业部首席工程师Hanlin Tang说，“但是，在机器学习方面还有许多工作要做，才能好好地诠释这些讯号，以及了解在另一端要刺激什么。”Hanlin Tang本身就是神经科学家，目前在英特尔负责这项合作研究计划。
英特尔的团队将利用其硬件和机器学习方面的专业知识来协助打造可诠释讯号的AI系统。
Tang说：“目前面对的主要挑战是在倾听脊柱时无法达到够高的传真度。这就像试图中继一条讯息，但只能听到另一侧提到的几句话。透过机器学习，或许就可以使用一些先验知识来尝试填补差距，并成为重建此类损伤的理想接口。”
AI还将处理两个电极数组之间(从损伤部位的一侧到另一侧)的映射¬¬——这确实是一项至关重要的任务。
将电极数组嵌入于患者的脊柱中，即可用于记录大脑发送的讯号。（来源：Intel）
Borton解释说，神经系统极具可塑性，并且可以随着时间的进展而学习——即神经元的“发射”和整合——这意味着从脊柱的一部分进行记录并刺激另一部分，就能让神经系统学习该特定讯号的含义。
Borton说：“这并非进行精确的一对一映射。我们计划开发的接口将记录来自成千上万个神经元的讯号，并将它们相互迭加在一起。而且，我们将刺激稀疏的触点子集，这些触点将不特定地影响成千上万个不同神经元的活动。只要有了好的起点，神经系统就有望学会如何进行解释。”
神经网络
英特尔AI团队将与布朗大学的认知、语言和心理学副教授Thomas Serre合作——他专精于开发以生物启发的AI网络。Serre最近有关“视觉皮层如何进行视觉处理”的神经网络研究显示，生物启发的架构可望以更少的数据训练产生模型，而且效率更高。
Borton说，用于智能脊柱接口的神经网络将基于医学界对下肢解剖学和功能结构的理解，而且可以在一定程度上进行建模。
训练数据是任何神经网络的关键要求，但是，智慧脊柱计划将比典型的AI系统存取更少的训练数据。
但这种AI系统需要分别针对每一位患者进行训练吗？
Borton说：“这正是我们打算研究的目标之一。答案很可能是肯定的。而另一个悬而未决的问题是，如果我们确实对一位参与患者进行了训练，那么究竟需要多少再训练或是多么深度的训练？实际上得再训练多少层？这些可能都会很有意思。而当我们得以收集来自更多患者的数据，随着时间的进展，还可能从中得知在脊髓的不同损伤部位发生了哪些病变，因而可能有助于推导出新的诊断发现。”
硬件和软件
布朗大学团队将与英特尔的研究人员合作，英特尔将为这项研究计划提供硬件、软件和研究支持。
英特尔的Hanlin Tang指出，该研究计划的第一年将着重于开发神经网络，到了第二年则将应用算法，同时，英特尔将开始为开发中的机器学习加速器(特别是用于训练和推论的英特尔Nervana神经网络处理器系列)进行优化。软件堆栈则将采用英特尔开发的跨平台软件nGraph。
Tang说：“这真正令人振奋之处在于工作负载还不完全为人所知。与企业客户的合作将会有所不同，针对企业客户，您可能面对需要为五项工作负载进行优化的任务。”
最大的硬件和软件挑战之一在于实现实时的操作，以修复患者的运动和膀胱控制。
他说：“我们需要实时诠释所有的通道和不同的频段，然后对其进行解读，以及学习如何刺激并弥合神经回路空白。”
其最终目的在于利用这项研究开发出新技术，让小型的植入式装置可协助病患在复原期间进行复健运动和膀胱控制，并希望有一天能够有助于让许多脊髓损伤患者真的重新再站起来！
