Martin Picek pracoval na své diplomové práci v elitní švýcarské laboratoři .NeuroRestore, kde ochrnutým pacientům vracejí schopnost znovu ovládat vlastní tělo. Nyní tam již jako doktorand pokračuje ve vývoji technologie digitálního „mostu“, který pomocí implantátů a umělé inteligence obchází poškozenou míchu.
V rozhovoru přibližuje unikátní metodu self-supervised učení aplikovanou na mozkové signály i své další plány v srdci evropského neurotechnologického výzkumu. Přečtěte si, jak se z analýzy neanotovaných dat stává naděje na samostatný pohyb u pacientů s přerušenou míchou a proč by se čeští studenti neměli bát vycestovat za hranice — nejen za ty státní, ale ani za ty technologické.
Mohl byste stručně představit svou práci?
Na své práci jsem pracoval ve švýcarské laboratoři .NeuroRestore, kde se snažíme pacientům s přerušenou míchou navrátit neurologické funkce, které ztratili v důsledku úrazu nebo nemoci. Náš přístup spočívá v přemostění léze pomocí dvou zařízení. Prvním z nich je stimulátor umístěný v míše pod místem poranění, který pomocí elektrické stimulace vysílá impulzy skrze míchu do svalů, a tím například obnovuje pohyb. Aby tento pohyb odpovídal pacientovu skutečnému úmyslu, má v lebce implantát, který snímá mozkové signály. Moje diplomová práce se zaměřovala právě na vývoj dekodéru těchto mozkových signálů.
Instagram Martina Picka
Co vás inspirovalo k tomu, abyste se zaměřil právě na toto téma?
Vždycky jsem se snažil využívat znalosti získané na Matfyzu k něčemu smysluplnému. Proto jsem se po bakaláři vydal na magisterský obor Bioinformatika (mezidisciplinární obor mezi MFF a PřF), kde jsem objevoval, jak by se umělá inteligence a další výpočetní techniky daly uplatnit v medicíně. Právě tam jsem při čtení odborných článků narazil na publikaci naší laboratoře .NeuroRestore a zjistil, že bych svými znalosti mohl přispět a opravdu někomu pomoci. Naši pacienti jsou buď paraplegici (nemohou hýbat nohama), nebo dokonce tetraplegici (neovládají ani nohy, ani ruce). Zejména život tetraplegiků je nesmírně náročný, a proto se naší prací snažíme těmto pacientům poskytnout větší samostatnost, a tím jim život usnadnit a zkvalitnit.
Můžete vysvětlit největší přínos své práce?
Moje diplomová práce se konkrétně zaměřovala na vývoj mozkového dekodéru, který by využíval nejen anotovaná data (mozkové signály asociované s odpovídajícími pohyby), ale i data neanotovaná (pouze mozkové signály, u kterých nevíme, jaký pohyb chtěl pacient vykonat). Těchto neanotovaných dat je totiž řádově více a většina laboratoří je obvykle nevyužívá. Díky jejich využití je možné model předtrénovat a následně jej doladit na anotovaných datech, čímž vzniká dekodér, který je výrazně kvalitnější než modely trénované výhradně na anotovaných datech.
S jakými technologiemi jste pracoval, jaké metody jste využíval, a proč zrovna tyto?
V našem týmu využíváme techniky self-supervised učení, které se běžně používají v moderních jazykových modelech jako ChatGPT, Copilot nebo Gemini. V našem projektu jsme konkrétně pracovali s maskovaným autoenkodérem – architekturou, která zakrývá části vstupních dat a učí se je rekonstruovat pouze na základě okolních, nezakrytých informací. Stejným způsobem se trénoval například jazykový model BERT: některá slova ve větě byla zamaskována a model se je snažil odhadnout podle kontextu. Díky tomu se naučil chápat strukturu jazyka, vztahy mezi slovy, kolokace a další jazykové jevy, a to bez potřeby anotovaných dat – stačil samotný vstupní text. V našem případě jsme ale nepracovali s textem, nýbrž s mozkovými daty. Mým cílem bylo k těmto signálům připojit také videonahrávky pacienta, které máme k dispozici. Věřili jsme, že tato dodatečná informace pomůže model ještě více zpřesnit – a naše výsledky to skutečně potvrdily.
Zdroj: Footage from .NeuroRestore (EPFL/CHUV/UNIL).
Co bylo během psaní vaší práce nejtěžší, bylo něco, na čem jste se zasekl, nějaká cesta, co nikam nevedla? Je něco, co byste zpětně udělal jinak?
Největším problémem byla právě videa, protože jejich kvalita byla velmi nízká. Pro extrakci 3D pohybu ruky, který je klíčový pro trénování našeho mozkového modelu, jsou potřeba dvě kamery snímající z různých úhlů a s dostatečným rozlišením. Naše kamery však měly velmi špatnou kvalitu, často docházelo k chybám, a v některých starších sezeních s pacienty jsme měli k dispozici pouze jednu kameru. Extrakce 3D pohybu tak byla prakticky nemožná. Nakonec jsem ale našel řešení – pacienta jsem nejprve segmentoval, poté nahradil pozadí zelenou barvou a pro každý 2D snímek videa jsem vygeneroval jeho vektorovou reprezentaci. Následně jsem ukázal, že z této reprezentace lze do určité míry predikovat pohyb, což znamená, že v sobě skutečně nese pohybovou informaci. Nakonec jsem náš mozkový model natrénoval právě na těchto datech, a tím úspěšně obešel problém s extrakcí kinematických dat.
Jakým způsobem jste výsledky své práce ověřoval?
Cílem práce bylo vytvořit model, který generuje kvalitní vektorovou reprezentaci mozkových dat, jež lze dále využít pro různé úkoly – především pro klasifikaci zamýšleného pohybu. Testovali jsme tedy nejen přesnost těchto predikcí, ale i datovou efektivnost – čím lepší je vektorová reprezentace, tím méně supervizovaných dat je potřeba k natrénování dekódovací vrstvy. Vyhodnocovali jsme klasifikační přesnost při různých velikostech trénovacího datasetu (např. jen několik příkladů pro každou třídu) a prokázali jsme, že námi získané mozkové reprezentace překonávají ty, které jsme měli k dispozici dříve.
Co považujete za nejdůležitější výsledek nebo závěr své práce?
Nejdůležitějším cílem bylo ukázat, že i neanotovaná videa a mozková data mohou výrazně přispět ke klasifikaci pohybu z mozkových signálů. Právě proto se této oblasti nyní v laboratoři věnujeme mnohem intenzivněji. Užitečné ale byly i negativní výsledky – místo původních kamer jsme pořídili nové, spolehlivé a s vyšším rozlišením, které nyní běžně používáme při práci s pacienty. Jakmile nasbíráme dostatek dat, věřím, že na nich budeme schopni natrénovat výrazně lepší síť pro generování mozkových reprezentací.
Máte pocit, že vaše práce může být inspirací pro další studenty nebo odborníky v dané oblasti?
Ano. Pro odborníky v dané oblasti je má diplomová práce samozřejmě jen malým, ale přesto užitečným střípkem větší mozaiky. Nepřišel jsem s převratným objevem, ale potvrdil jsem, že rozšíření self-supervizovaných mozkových modelů o pohybová data výrazně zlepšuje kvalitu dekodérů. Pro studenty však může být má práce mnohem přínosnější. Během jejího vypracovávání jsem ve spolupráci s Nadací Neuron pomáhal přibližovat neurotechnologický výzkum v .NeuroRestore širší veřejnosti. Mám pocit, že čeští studenti příliš často na zahraniční stáže nejezdí. Laboratoř .NeuroRestore je přitom příkladem opravdu výjimečného výzkumu, který se v České republice – a možná ani v celé Evropě – zatím nedá dělat. Je proto důležité vycestovat a poznat tento obor v praxi.
Jaké jsou vaše plány do budoucna? Chcete toto téma dále rozvíjet, např. v rámci navazujícího studia nebo profesní kariéry?
Práce v .NeuroRestore je pro mě fascinující, protože jsem přímo u zrodu nových neurotechnologií. Zároveň mi dává smysl pomáhat lidem s poraněním páteře, protože to nemají v životě lehké. Každodenně se setkávám s našimi pacienty – ať už při ladění stimulace míchy, nebo při testování dekodéru v reálném čase – a je pro mě obohacující slyšet jejich životní příběhy a vidět na vlastní oči, jak se dokáží postavit svému těžkému osudu čelem. V našem úzkém týmu navíc neustále přicházíme s novými nápady, jak naši technologii dále zlepšovat a rozšiřovat. Proto když mi loni byla v týmu nabídnuta doktorandská pozice, přijal jsem ji. Od začátku června 2025 tak působím ve Švýcarsku jako doktorand a na projektu dál pokračuji.
Diplomová práce: Extraction of multimodal information from brain data to improve brain-computer interfaces in participants with spinal cord injury
Fascinující dokument Planet Visionaries o laboratoři .NeuroRestore, která vyvíjí digitální přemostění mezi mozkem a míchou
Další odkazy:
https://www.neurorestore.swiss
Původní materiál Informatické sekce
