Meta dévoile un système d'IA traduisant l'activité cérébrale en texte pour les patients paralysés

Meta a annoncé le lancement d'une technologie d'intelligence artificielle avancée capable de déchiffrer les ondes cérébrales et de les transformer en texte. Cette innovation pourrait révolutionner la vie de millions de personnes souffrant de paralysie ou d'incapacité à parler.

Le lundi, la société a présenté Brain2Qwerty v2, un système que l'on peut qualifier de précurseur dans la lecture des pensées via des algorithmes. Bien que cette recherche soit encore à ses débuts, elle ouvre la voie à un avenir proche où des patients atteints de troubles tels que l'aphasie, le syndrome de verrouillage, la sclérose latérale amyotrophique (SLA) ou d'autres affections neurologiques paralysantes pourraient communiquer uniquement par la pensée, sans recourir à des interventions chirurgicales complexes et coûteuses pour implanter des dispositifs dans le cerveau.

Dans son communiqué, Meta a déclaré : « Nous pensons que cette recherche a le potentiel de faire une réelle différence pour des millions de personnes souffrant de lésions cérébrales qui les empêchent de communiquer ».

Pour favoriser le développement scientifique dans le domaine des neurosciences, l'entreprise a décidé de rendre public, gratuitement sur internet, le code source de ce nouveau système ainsi que celui de la version précédente, afin de permettre aux chercheurs du monde entier d'accéder à cette technologie et de la perfectionner.

Le développement du modèle a été réalisé en collaboration avec le Centre basque de perception, cerveau et langage de Saint-Sébastien, en Espagne. Neuf volontaires en bonne santé, âgés de 25 à 56 ans, ont participé aux essais en écrivant plus de 2 500 phrases réparties sur dix sessions.

Durant ces sessions, l'activité cérébrale des participants a été enregistrée grâce à la magnétoencéphalographie (MEG), une technique qui mesure les champs électriques très faibles générés par l'activité neuronale. Les phrases écrites et les données cérébrales ont servi de données brutes pour entraîner le système.

Le nouveau système a atteint un taux de précision remarquable dans le décodage de l'activité cérébrale, avec une exactitude de 78 % au niveau des mots. Cela signifie que plus de la moitié des phrases décodées à partir des ondes cérébrales contenaient au maximum une erreur linguistique. Ce résultat représente une nette amélioration par rapport à la version précédente, Brain2Qwerty v1, qui affichait une précision de seulement 48 %.

Les chercheurs ont également constaté que la précision du système augmentait avec la quantité de données d'entraînement fournies, ce qui suggère que des règles simples de mesure pourraient permettre de concevoir des systèmes encore plus performants à l'avenir.

Les auteurs de l'étude ont écrit : « Si un entraînement étendu sur des données MEG non invasives peut finalement éliminer le besoin d'une chirurgie neurologique, cela constituerait une transformation majeure dans la prise en charge des patients ».

Le système repose sur des techniques de reconnaissance de motifs similaires à celles utilisées dans des programmes de chat automatisés très connus, tels que ChatGPT et Llama développés par Meta. Le décodage s'effectue en plusieurs étapes :

• Première étape : les ondes cérébrales mesurées par l'IA sont traduites en symboles correspondant à des caractères individuels.
• Deuxième étape : un autre système d'intelligence artificielle organise ces caractères en mots complets.
• Troisième étape : un grand modèle linguistique transforme le chaos des caractères et des mots en phrases cohérentes et compréhensibles.

Il s'agit de la première fois qu'un grand modèle linguistique est utilisé avec succès pour traduire une activité cérébrale désordonnée en phrases structurées, offrant ainsi un cadre précieux pour les chercheurs en interfaces cerveau-machine.

En complément du système de décodage à plusieurs niveaux, Brain2Qwerty s'appuie également sur un ensemble d'« agents d'intelligence artificielle » autonomes chargés d'améliorer automatiquement et indépendamment la précision et l'efficacité du décodage. Ces agents ont été entraînés à modifier fréquemment la base du code afin de créer de nouvelles structures plus performantes, ce qui a permis une amélioration notable du taux d'erreur au niveau des mots.