Une équipe de l’EPFL composée notamment de Mahsa Shoaran du Laboratoire de neurotechnologies intégré de l’École d’ingénierie et de Stéphanie Lacour du Laboratoire d’interfaces bioélectroniques souples a développé un système de neuromodulation en boucle fermée sur puce qui peut détecter et soulager les symptômes de l’épilepsie et de la maladie de Parkinson : NeuralTree. Les résultats de ces travaux ont été présentés à la conférence internationale IEEE 2022 sur les circuits à semi-conducteurs et publiés dans le « IEEE Journal of Solid-State Circuits ».
Pour produire cette interface neuronale, les chercheurs ont combiné la conception de puces à faible puissance, des algorithmes d’apprentissage automatique et des électrodes implantables souples.
Les interfaces neuronales en boucle fermée avec apprentissage automatique sur puce peuvent détecter et supprimer les symptômes de la maladie dans les troubles neurologiques ou restaurer les fonctions perdues chez les patients paralysés. Alors que l’enregistrement neuronal à haute densité peut fournir des informations riches sur l’activité neuronale pour une détection précise de l’état de la maladie, les systèmes existants fonctionnent sur un faible nombre de canaux et ont une faible évolutivité, ce qui pourrait limiter leur efficacité thérapeutique.
L’étude présente un SoC d’interface neuronale en boucle fermée hautement évolutif et polyvalent qui peut surmonter ces limitations.
La puce est en effet pourvue de 256 canaux d’entrée, contre 32 pour les précédents dispositifs intégrés de machine learning, ce qui permet de traiter davantage de données à haute résolution sur l’implant. Sa conception compacte (3,48 mm2) lui donne un grand potentiel d’évolutivité vers davantage de canaux
NeuralTree, processeur de classification de réseau neuronal à structure arborescente, extrait un riche ensemble de biomarqueurs neuronaux d’une manière spécifique au patient et à la maladie. Formé avec un algorithme d’apprentissage sensible à l’énergie, il détecte les symptômes des troubles sous-jacents (par exemple, l’épilepsie et les troubles du mouvement) à un compromis énergie-précision optimal. Un neurostimulateur compatible haute tension (HV) à 16 canaux ferme la boucle thérapeutique en délivrant des impulsions de courant biphasiques équilibrées en charge au cerveau pour bloquer le symptôme détecté.
Les systèmes existants se concentraient principalement sur la détection des crises d’épilepsie, NeuralTree peut détecter un éventail de symptômes plus large. L’algorithme d’apprentissage automatique de la puce a ainsi été formé sur des ensembles de données provenant de patients atteints d’épilepsie et de la maladie de Parkinson, et a classé avec précision les signaux neuronaux préenregistrés des deux catégories.
Le SoC a été largement vérifié sur des ensembles de données d’épilepsie d’électroencéphalographie humaine (EEG) et d’EEG intracrânien (iEEG), obtenant respectivement une sensibilité de 95,6 %/94 % et une spécificité de 96,8 % /96,9 %. Des enregistrements neuronaux in vivo à l’aide de puces ECoG souples et d’extraction de biomarqueurs multi-domaines ont ensuite été réalisés sur un modèle d’épilepsie chez le rat.
Mahsa Shoaran explique :
« NeuralTree bénéficie de la précision d’un réseau neuronal et de l’efficacité matérielle d’un arbre de décision. C’est la première fois que nous avons pu intégrer une interface neuronale aussi complexe, mais économe en énergie, pour des tâches de classification binaire, comme la détection de crises ou de tremblements, ainsi que pour des tâches à classes multiples, comme la classification des mouvements des doigts pour des applications neuroprothétiques ».
Elle ajoute :
« À notre connaissance, il s’agit de la première démonstration de la détection des tremblements parkinsoniens avec un classificateur sur puce ».
L’équipe envisageant déjà d’autres innovations, elle poursuit :
« Finalement, nous pourrons utiliser des interfaces neuronales pour de nombreux troubles différents, et nous avons besoin d’idées algorithmiques et de progrès dans la conception de puces pour y parvenir. Ce travail est très interdisciplinaire et nécessite donc également une collaboration avec des laboratoires tels que le Laboratory for Soft Bioelectronic Interfaces, qui peut développer des électrodes neuronales de pointe, ou des laboratoires ayant accès à des données de haute qualité sur les patients ».
Sources:
Ecole Polytechnique Fédérale de Lausanne
« NeuralTree: A 256-Channel 0.227-μJ/Class Versatile Neural Activity Classification and Closed-Loop Neuromodulation SoC» IEEE Journal of Solid-State Circuits (JSSC), nov. 2022, doi: 10.1109/JSSC.2022.3204508.
Auteurs : U. Shin, C. Ding, B. Zhu, Y. Vyza, A. Trouillet, E. C. M. Revol, S. P. Lacour, M. Shoaran
