Ein automatisiertes System zur Lokalisierung der Effekte der transkraniellen Magnetstimulation

Zusammenfassung

Transkranielle Magnetstimulation (TMS) ist eine nicht-invasive Technik zur Modulation motorischer und kognitiver Funktionen im Gehirn und zur Beschreibung von Struktur-Funktionsbeziehungen. Bisherige Studien variieren erheblich bezüglich der beobachteten Effekte und klinischen Ergebnisse, was auf ein komplexes Zusammenspiel von interindividuellen funktionell-anatomischen Unterschieden und der variablen Dynamik neuronaler Netzwerke zurückzuführen ist. Es gibt umfangreiche experimentelle und numerische Untersuchungen, wie TMS die Dynamik neuronaler Schaltkreise beeinflusst. Eine entscheidende Voraussetzung für die Validierung solcher Modelle ist die Kenntnis der effektiv stimulierten kortikalen Areale. Dennoch bleibt es schwierig, die physiologischen oder verhaltensbedingten Effekten zugrundeliegenden Strukturen zu identifizieren. Dies erschwert das Verständnis des Stimulationsmechanismus, die Interpretation der Effekte und die Planung effektiver Stimulationsprotokolle.

Der von uns entwickelte Modellansatz kombiniert mehrere Stimulationsexperimente mit unterschiedlichen Spulenpositionen und/oder -ausrichtungen, unter der Annahme, dass am Ort der Aktivierung die Beziehung zwischen elektrischen Feldern und motorisch evozierten Potentialen über die experimentellen Bedingungen stabil ist. Unsere Methode hat eng umgrenzte neuronale Strukturen als Ursprung der motorisch evozierten Potenziale identifiziert. Insbesondere haben wir gezeigt, dass unser Ansatz eine hohe Auflösung auf der individuellen Ebene hat.

Im aktuellen Projekt verfolgen wir die folgenden Ziele:

1. Wir planen die Entwicklung eines Verfahrens zur automatischen Optimierung der Auswahl von Spulenpositionen und -ausrichtungen. Diese Methode basiert nur auf der individuellen Kopfgeometrie und ermöglicht daher die Berechnung des optimalen Stimulationsschemas vor dem Experiment;
2. wir werden potenzielle Stimulationsorte auf die subkortikale weiße Substanz erweitern und kausale Zusammenhänge zu den experimentellen Effekten untersuchen;
3. wir werden unseren Algorithmus auf die Identifizierung von Netzwerken neuronaler Populationen erweitern, was ein komplexes kombinatorisches Problem darstellt, das fortgeschrittene Optimierungsverfahren erfordert. Unser Ansatz identifiziert multivariate Beziehungen zwischen extern beobachtbaren Effekten und der Stimulation neuronaler Populationen;
4. da bisher Lokalisierungstechniken nur auf motorisch evozierte Potentiale angewendet wurden, werden wir das Verfahren auf komplexere Hirnprozesse und experimentelle Paradigmen in der Sensomotorik und Sprache verallgemeinern;
5. dieses Wissen ermöglicht es uns, Sprachregionen im Gehirn präzise und individuell zu lokalisieren;
6. (6) das Verfahren wird in ein Robotersystem integriert, wodurch eine automatisierte Identifizierung von Struktur-Funktionsbeziehungen unter Ausschluss möglicher menschlicher Fehlerquellen ermöglicht wird. Damit werden die Vor- und Nachteile eines solchen automatisierten Systems ermittelt.