TEDMED 2011
Sheila Nirenberg: A prosthetic eye to treat blindness
Σίλα Νίρενμπεργκ: Προσθετικό μάτι για τη θεραπεία της τύφλωσης
Filmed:
Readability: 4.3
470,530 views
Στο TEDMED,η Σίλα Νίρενμπεργκ δείχνει εναν τολμηρό τρόπο για τη δημιουργία όρασης σε άτομα με κάποιες μορφές τύφλωσης: διαμέσου της σύνδεσης με το οπτικό νεύρο και αποστολής σημάτων απο μια κάμερα κατευθείαν στον εγκέφαλο.
Sheila Nirenberg - Neuroscientist
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Sheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices. Full bio
Double-click the English transcript below to play the video.
00:15
I study how the brain processes
0
0
2000
Μελετώ τους τρόπους που ο εγκέφαλος επεξεργάζεται
00:17
information. That is, how it takes
1
2000
2000
πληροφορίες. Δηλαδή, πως προσλαμβάνει
00:19
information in from the outside world, and
2
4000
2000
πληροφορίες απο τον έξωτερικό κόσμο,και
00:21
converts it into patterns of electrical activity,
3
6000
2000
τις μετατρέπει σε μοτίβα ηλεκτρικής δραστηριότητας,
00:23
and then how it uses those patterns
4
8000
2000
και μετά πώς χρησιμοποιεί αυτά τα μοτίβα
00:25
to allow you to do things --
5
10000
2000
για να μας επιτρέψει να κάνουμε πράγματα--
00:27
to see, hear, to reach for an object.
6
12000
2000
να δούμε, να ακούσουμε, να φτάσουμε ένα αντικείμενο.
00:29
So I'm really a basic scientist, not
7
14000
2000
Είμαι, λοιπόν, επιστήμονας της βασικής έρευνας,
00:31
a clinician, but in the last year and a half
8
16000
2000
και όχι κλινικός, αλλά εδώ και ενάμισι χρόνο
00:33
I've started to switch over, to use what
9
18000
2000
άρχισα να επεκτείνομαι,να χρησιμοποιώ τις γνώσεις
00:35
we've been learning about these patterns
10
20000
2000
που έχουμε αποκτήσει σχετικά με αυτά τα μοτίβα
00:37
of activity to develop prosthetic devices,
11
22000
3000
δραστηριότητας για να αναπτύξουμε προσθετικά εργαλεία,
00:40
and what I wanted to do today is show you
12
25000
2000
και αυτό που ήθελα να κάνω σήμερα είναι να σας δώσω
00:42
an example of this.
13
27000
2000
ενα παράδειγμα.
00:44
It's really our first foray into this.
14
29000
2000
Είναι πράγματι η πρώτη μας έρευνα για το θέμα.
00:46
It's the development of a prosthetic device
15
31000
2000
Το θέμα είναι η ανάπτυξη ενός προσθετικού εργαλείου
00:48
for treating blindness.
16
33000
2000
για τη θεραπεία της τύφλωσης.
00:50
So let me start in on that problem.
17
35000
2000
Ξεκινώ, λοιπόν, αναφερόμενη στο πρόβλημα.
00:52
There are 10 million people in the U.S.
18
37000
2000
Υπάρχουν 10 εκατομμύρια άνθρωποι στις Ηνωμένες πολιτείες
00:54
and many more worldwide who are blind
19
39000
2000
και πολλοί περισσότεροι παγκοσμίως που είναι τυφλοί
00:56
or are facing blindness due to diseases
20
41000
2000
ή κοντά στην τύφλωση εξαιτίας κάποιων ασθενειών
00:58
of the retina, diseases like
21
43000
2000
του αμφιβληστροειδούς,ασθένειες όπως
01:00
macular degeneration, and there's little
22
45000
2000
ο εκφυλισμός της ωχράς κηλίδας, και δε μπορεί κανείς
01:02
that can be done for them.
23
47000
2000
να κάνει πολλά πράγματα γι΄ αυτούς.
01:04
There are some drug treatments, but
24
49000
2000
Υπάρχουν κάποιες φαρμακευτικές θεραπείες,αλλά
01:06
they're only effective on a small fraction
25
51000
2000
είναι αποτελεσματικές μόνο σε ένα μικρό μέρος
01:08
of the population. And so, for the vast
26
53000
2000
του πληθυσμού. Και έτσι, για τη μεγαλύτερη πλειοψηφία
01:10
majority of patients, their best hope for
27
55000
2000
των ασθενών η καλύτερη ελπίδα να
01:12
regaining sight is through prosthetic devices.
28
57000
2000
επανακτήσουν την όρασή τους είναι διαμέσου τα τεχνητών εργαλείων.
01:14
The problem is that current prosthetics
29
59000
2000
Το πρόβλημα είναι ότι τα προσθετικά
01:16
don't work very well. They're still very
30
61000
2000
που έχουμε στη διάθεσή μας δε λειτουργούν και πολύ καλά. Η
01:18
limited in the vision that they can provide.
31
63000
2000
δυνατότητα όρασης που προσφέρουν είναι περιορισμένη.
01:20
And so, you know, for example, with these
32
65000
2000
Και για παράδειγμα, με τη χρήση
01:22
devices, patients can see simple things
33
67000
2000
αυτών των εργαλείων οι ασθενείς μπορούν να δουν απλά πράγματα
01:24
like bright lights and high contrast edges,
34
69000
2000
όπως έντονο φως και περιγράμματα με έντονες αντιθέσεις,
01:26
not very much more, so nothing close
35
71000
2000
όχι πολλά περισσότερα,κι έτσι δεν έχει καταστεί
01:28
to normal vision has been possible.
36
73000
3000
δυνατό να πλησιάσουμε την φυσιολογική όραση.
01:31
So what I'm going to tell you about today
37
76000
2000
Αυτό, λοιπόν, για το οποίο θα σας μιλήσω σήμερα
01:33
is a device that we've been working on
38
78000
2000
είναι ένα εργαλείο πάνω στο οποίο εργαζόμαστε
01:35
that I think has the potential to make
39
80000
2000
που νομίζω οτι έχει τη δυνατότητα να κάνει τη διαφορά,
01:37
a difference, to be much more effective,
40
82000
2000
να είναι περισσότερο αποτελεσματικό,
01:39
and what I wanted to do is show you
41
84000
2000
και θα ήθελα να σας δείξω
01:41
how it works. Okay, so let me back up a
42
86000
2000
πώς λειτουργεί. Εντάξει, ας κάνω μια μικρή αναδρομή
01:43
little bit and show you how a normal retina
43
88000
2000
για να σας δείξω πως λειτουργεί ενας φυσιολογικός αμφιβληστροειδής
01:45
works first so you can see the problem
44
90000
2000
πρώτα, για να μπορείτε να δείτε το πρόβλημα
01:47
that we were trying to solve.
45
92000
2000
που προσπαθούμε να λύσουμε.
01:49
Here you have a retina.
46
94000
2000
Αυτός είναι ο αμφιβληστροειδής.
01:51
So you have an image, a retina, and a brain.
47
96000
2000
Έχουμε λοιπόν μια εικόνα, εναν αμφιβληστροειδή, και εναν εγκέφαλο.
01:53
So when you look at something, like this image
48
98000
2000
Ετσι, όταν κοιτάμε κάτι, όπως αυτή εδώ η εικόνα
01:55
of this baby's face, it goes into your eye
49
100000
2000
του προσώπου του μωρού, έρχεται στο μάτι μας
01:57
and it lands on your retina, on the front-end
50
102000
2000
και προσγειώνεται στον αμφιβληστροειδή, στα κύταρα του εμπρόσθιου άκρου
01:59
cells here, the photoreceptors.
51
104000
2000
εδώ, στους φωτοϋποδοχείς.
02:01
Then what happens is the retinal circuitry,
52
106000
2000
Και αυτό που συμβαίνει είναι οτι το κύκλωμα του αμφιβληστροειδούς
02:03
the middle part, goes to work on it,
53
108000
2000
το μεσαίο τμήμα, πηγαίνει και δουλεύει στην εικόνα,
02:05
and what it does is it performs operations
54
110000
2000
και αυτό που κάνει είναι να εκτελεί λειτουργίες στην εικόνα
02:07
on it, it extracts information from it, and it
55
112000
2000
να αποσπά πληροφορίες απ΄αυτήν και να
02:09
converts that information into a code.
56
114000
2000
τις μετατρέπει, αυτές τις πληροφορίες, σε εναν κώδικα.
02:11
And the code is in the form of these patterns
57
116000
2000
Και αυτός ο κώδικας έχει τη μορφή αυτών των μοτίβων
02:13
of electrical pulses that get sent
58
118000
2000
ηλεκτρικών παλμών που αποστέλλονται
02:15
up to the brain, and so the key thing is
59
120000
2000
στον εγκέφαλο, και ετσι το κλειδί είναι
02:17
that the image ultimately gets converted
60
122000
2000
οτι η εικόνα τελικά μετατρέπεται
02:19
into a code. And when I say code,
61
124000
2000
σε εναν κώδικα.Και όταν λεω κώδικα
02:21
I do literally mean code.
62
126000
2000
εννοώ στην κυριολεξία κώδικα.
02:23
Like this pattern of pulses here actually means "baby's face,"
63
128000
3000
Όπως αυτη η συστοιχία των παλμών εδω σημαίνει " πρόσωπο μωρού",
02:26
and so when the brain gets this pattern
64
131000
2000
και έτσι όταν ο εγκέφαλος δέχεται αυτη τη συστοιχία
02:28
of pulses, it knows that what was out there
65
133000
2000
παλμών , ξέρει οτι αυτό που βρισκόταν εκεί
02:30
was a baby's face, and if it
66
135000
2000
ήταν το πρόσωπο ενός μωρού, και αν
02:32
got a different pattern it would know
67
137000
2000
είχε ενα διαφορετικό μοτίβο θα γνώριζε
02:34
that what was out there was, say, a dog,
68
139000
2000
οτι αυτό που ήταν εκει, ήταν ενας σκύλος, για παράδειγμα,
02:36
or another pattern would be a house.
69
141000
2000
ή ενα άλλο μοτίβο θα ήταν ενα σπίτι.
02:38
Anyway, you get the idea.
70
143000
2000
Εν πάσει περιπτώσει, αντιλαμβάνεστε την ιδέα.
02:40
And, of course, in real life, it's all dynamic,
71
145000
2000
Και ασφαλώς στην πραγματικότητα όλα έχουν δυναμική
02:42
meaning that it's changing all the time,
72
147000
2000
με την έννοια ότι αλλάζουν διαρκώς
02:44
so the patterns of pulses are changing
73
149000
2000
και έτσι τα μοτίβα των παλμών αλλάζουν
02:46
all the time because the world you're
74
151000
2000
διαρκώς επειδή ο κόσμος που βλέπουμε
02:48
looking at is changing all the time too.
75
153000
3000
αλλάζει διαρκώς.
02:51
So, you know, it's sort of a complicated
76
156000
2000
Είναι, ξέρετε, ενα κάπως πολύπλοκο πράγμα.
02:53
thing. You have these patterns of pulses
77
158000
2000
¨Εχουμε αυτά τα μοτίβα των παλμών
02:55
coming out of your eye every millisecond
78
160000
2000
που εκπέμπονται από τα μάτια μας κάθε χιλιοστό του δευτερολέπτου
02:57
telling your brain what it is that you're seeing.
79
162000
2000
πληροφορώντας τον εγκέφαλό μας τι είναι αυτό που βλέπουμε.
02:59
So what happens when a person
80
164000
2000
Τι συμβαίνει,λοιπόν, όταν κάποιος
03:01
gets a retinal degenerative disease like
81
166000
2000
έχει μια ασθένεια εκφυλισμού του αμφιβληστροειδούς όπως
03:03
macular degeneration? What happens is
82
168000
2000
ο εκφυλισμός ωχράς κηλίδας; Αυτό που συμβαίνει είναι
03:05
is that, the front-end cells die,
83
170000
2000
οτι τα κύτταρα του εμπροσθίου άκρου πεθαίνουν,
03:07
the photoreceptors die, and over time,
84
172000
2000
και οι φωτοϋποδοχείς πεθαίνουν, και με τον καιρό
03:09
all the cells and the circuits that are
85
174000
2000
όλα τα κύτταρα και τα κυκλώματα που είναι
03:11
connected to them, they die too.
86
176000
2000
συνδεδεμένα μαζί τους, πεθαίνουν κι αυτά.
03:13
Until the only things that you have left
87
178000
2000
Μέχρι στο σημείο που τα μόνα κύτταρα που απομένουν
03:15
are these cells here, the output cells,
88
180000
2000
είναι αυτά εδω, τα κύτταρα εξόδου,
03:17
the ones that send the signals to the brain,
89
182000
2000
αυτά που στέλνουν τα μηνύματα στον εγκέφαλο,
03:19
but because of all that degeneration
90
184000
2000
αλλά εξαιτίας αυτού του εκφυλισμού
03:21
they aren't sending any signals anymore.
91
186000
2000
δε στέλνουν πλέον μηνύματα.
03:23
They aren't getting any input, so
92
188000
2000
Δεν υπάρχει πρόσληψη και έτσι
03:25
the person's brain no longer gets
93
190000
2000
ο εγκέφαλος αυτού του ανθρώπου δε λαμβάνει πλέον
03:27
any visual information --
94
192000
2000
κάποιες οπτικές πληροφορίες-
03:29
that is, he or she is blind.
95
194000
3000
δηλαδή είναι τυφλός ή τυφλή.
03:32
So, a solution to the problem, then,
96
197000
2000
Μια λύση, επομένως, στο πρόβλημα
03:34
would be to build a device that could mimic
97
199000
2000
θα ήταν να διαμορφωθεί ένα εργαλείο που θα μπορούσε να μιμηθεί
03:36
the actions of that front-end circuitry
98
201000
2000
τις δράσεις του κυκλώματος του εμπρόσθιου άκρου
03:38
and send signals to the retina's output cells,
99
203000
2000
και να στέλνει σήματα στα κύτταρα εξόδου του αμφιβληστροειδούς,
03:40
and they can go back to doing their
100
205000
2000
και αυτά να επιστρέφουν και να κάνουν
03:42
normal job of sending signals to the brain.
101
207000
2000
την κανονική τους δουλειά που είναι η αποστολή μηνυμάτων στον εγκέφαλο.
03:44
So this is what we've been working on,
102
209000
2000
Πάνω σ' αυτό δουλεύουμε, λοιπόν,
03:46
and this is what our prosthetic does.
103
211000
2000
και αυτό είναι που κάνει η δική μας προσθετική.
03:48
So it consists of two parts, what we call
104
213000
2000
Αποτελείται απο δυο μέρη, αυτό που αποκαλούμε
03:50
an encoder and a transducer.
105
215000
2000
εναν κωδικοποιητή και εναν μορφομετατροπέα.
03:52
And so the encoder does just
106
217000
2000
Ο κωδικοποιητής, λοιπόν,κάνει αυτό ακριβώς
03:54
what I was saying: it mimics the actions
107
219000
2000
που σας έλεγα: μιμείται τις λειτουργίες
03:56
of the front-end circuitry -- so it takes images
108
221000
2000
του κυκλώματος του εμπροσθίου άκρου- έτσι προσλαμβάνει εικόνες
03:58
in and converts them into the retina's code.
109
223000
2000
και τις μετατρέπει μέσα στον κώδικα του αμφιβληστροειδούς.
04:00
And then the transducer then makes the
110
225000
2000
Και, στη συνέχεια, ο μορφομετατροπέας κάνει
04:02
output cells send the code on up
111
227000
2000
τα κύτταρα εξόδου να στέλνουν τον κώδικα προς
04:04
to the brain, and the result is
112
229000
2000
τον εγκέφαλο, και το αποτέλεσμα είναι
04:06
a retinal prosthetic that can produce
113
231000
3000
ένας τεχνητός αμφιβληστροειδής που μπορεί να παράγει
04:09
normal retinal output.
114
234000
2000
αποτελέσματα φυσιολογικού αμφιβληστροειδούς.
04:11
So a completely blind retina,
115
236000
2000
Επομένως, ένας εντελώς τυφλός αμφιβληστροειδής,
04:13
even one with no front-end circuitry at all,
116
238000
2000
ακόμα και αυτός που στερείται κύκλωμα εμπροσθίου άκρου,
04:15
no photoreceptors,
117
240000
2000
και δεν έχει φωτοϋποδοχείς,
04:17
can now send out normal signals,
118
242000
2000
μπορεί τώρα να στέλνει φυσιολογικά σήματα,
04:19
signals that the brain can understand.
119
244000
3000
σήματα που είναι κατανοητά απο τον εγκέφαλο.
04:22
So no other device has been able
120
247000
2000
Έτσι, κανένα άλλο εργαλείο δε στάθηκε ικανό
04:24
to do this.
121
249000
2000
να κάνει τέτοιο πράγμα.
04:26
Okay, so I just want to take
122
251000
2000
Ωραία, θα ήθελα
04:28
a sentence or two to say something about
123
253000
2000
με δυο κουβέντες, να πω κάτι σχετικά
04:30
the encoder and what it's doing, because
124
255000
2000
με τον κωδικοποιητή και τι κάνει, διότι
04:32
it's really the key part and it's
125
257000
2000
είναι πράγματι το κλειδί και έχει
04:34
sort of interesting and kind of cool.
126
259000
2000
ενδιαφέρον και είναι εκπληκτικό.
04:36
I'm not sure "cool" is really the right word, but
127
261000
2000
Δεν είμαι σίγουρη πως "εκπληκτικό" είναι η σωστή λέξη αλλά
04:38
you know what I mean.
128
263000
2000
καταλαβαίνετε τι εννοώ.
04:40
So what it's doing is, it's replacing
129
265000
2000
Αυτό,λοιπόν, που κάνει είναι να αντικαθιστά
04:42
the retinal circuitry, really the guts of
130
267000
2000
το κύκλωμα του αμφιβληστροειδούς, στην πραγματικότητα
04:44
the retinal circuitry, with a set of equations,
131
269000
2000
την καρδιά του κυκλώματος, με,μια σειρά από εξισώσεις,
04:46
a set of equations that we can implement
132
271000
2000
εξισώσεις που μπορούμε να εφαρμόσουμε
04:48
on a chip. So it's just math.
133
273000
2000
σ'ένα τσιπάκι. Είναι απλώς μαθηματικά.
04:50
In other words, we're not literally replacing
134
275000
3000
Με άλλα λόγια,δεν αντικαθιστούμε στην κυριολεξία
04:53
the components of the retina.
135
278000
2000
τα συστατικά του αμφιβληστροειδούς.
04:55
It's not like we're making a little mini-device
136
280000
2000
Δεν είναι σα να κάνουμε ενα μίνι εργαλείο
04:57
for each of the different cell types.
137
282000
2000
για καθε κατηγορία των διαφορετικών κυττάρων.
04:59
We've just abstracted what the
138
284000
2000
Εχουμε αποσπάσει αυτό που κάνει ο αμφιβληστροειδής
05:01
retina's doing with a set of equations.
139
286000
2000
με μια σειρά εξισώσεων.
05:03
And so, in a way, the equations are serving
140
288000
2000
Και, έτσι, κατά κάποιον τρόπο,οι εξισώσεις λειτουργούν
05:05
as sort of a codebook. An image comes in,
141
290000
2000
σαν ένα είδος βιβλίου κωδίκων. Μια εικόνα εισέρχεται,
05:07
goes through the set of equations,
142
292000
3000
περνά μέσα απο τις εξισώσεις,
05:10
and out comes streams of electrical pulses,
143
295000
2000
και στην έξοδο έχουμε ρεύματα ηλεκτρικών παλμών,
05:12
just like a normal retina would produce.
144
297000
4000
ακριβώς όπως θα έκανε ο αμφιβληστροειδής.
05:16
Now let me put my money
145
301000
2000
Τώρα θα σας αποδείξω
05:18
where my mouth is and show you that
146
303000
2000
έμπρακτα πως
05:20
we can actually produce normal output,
147
305000
2000
μπορούμε στην πραγματικότητα να παράγουμε φυσιολογικά αποτελέσματα
05:22
and what the implications of this are.
148
307000
2000
και ποιά είναι η σημασία αυτής της διαδικασίας.
05:24
Here are three sets of
149
309000
2000
Έχουμε εδω τρία σετ
05:26
firing patterns. The top one is from
150
311000
2000
μοτίβων διέγερσης.Το επάνω είναι από
05:28
a normal animal, the middle one is from
151
313000
2000
ένα φυσιολογικό ζώο, το μεσαίο απο
05:30
a blind animal that's been treated with
152
315000
2000
ένα τυφλό ζώο που του δόθηκε θεραπεία με
05:32
this encoder-transducer device, and the
153
317000
2000
αυτό το εργαλείο κωδικοποιητή-μορφομετατροπέα,και
05:34
bottom one is from a blind animal treated
154
319000
2000
το τελευταίο είναι από ένα τυφλό ζώο που η θεραπεία
05:36
with a standard prosthetic.
155
321000
2000
που του δόθηκε ήταν η κλασική προσθετική.
05:38
So the bottom one is the state-of-the-art
156
323000
2000
Έτσι, το τελευταίο είναι το πιο σύγχρονο
05:40
device that's out there right now, which is
157
325000
2000
εργαλείο ,που έχουμε στη διάθεσή μας και
05:42
basically made up of light detectors,
158
327000
2000
που βασικά αποτελείται απο ανιχνευτές φωτός
05:44
but no encoder. So what we did was we
159
329000
2000
χωρίς όμως κωδικοποιητή. Αυτό που κάναμε ,λοιπόν, ήταν
05:46
presented movies of everyday things --
160
331000
2000
να παρουσιάσουμε εικόνες από καθημερινά πράγματα-
05:48
people, babies, park benches,
161
333000
2000
ανθρώπους,μωρά,παγκάκια πάρκων,
05:50
you know, regular things happening -- and
162
335000
2000
ξέρετε,πράγματα που συμβαίνουν καθημερινά-και
05:52
we recorded the responses from the retinas
163
337000
2000
καταγράψαμε τις αντιδράσεις του αμφιβληστροειδούς
05:54
of these three groups of animals.
164
339000
2000
αυτών των τριών ομάδων ζώων.
05:56
Now just to orient you, each box is showing
165
341000
2000
Τώρα, για να προσανατολιστείτε, κάθε κουτί δείχνει
05:58
the firing patterns of several cells,
166
343000
2000
το μοτίβα διέγερσης πολλών κυττάρων,
06:00
and just as in the previous slides,
167
345000
2000
και όπως ακριβώς και στα προηγούμενα σλάιτ,
06:02
each row is a different cell,
168
347000
2000
κάθε σειρά αποτελείται απο διαφορετικό κύτταρο,
06:04
and I just made the pulses a little bit smaller
169
349000
2000
και έκανα τους παλμούς λίγο μικρότερους
06:06
and thinner so I could show you
170
351000
3000
και λεπτότερους για να μπορέσω να σας δείξω
06:09
a long stretch of data.
171
354000
2000
μια μεγάλη γκάμα δεδομένων.
06:11
So as you can see, the firing patterns
172
356000
2000
Οπως βλέπετε, λοιπόν, τα μοτίβα διέγερσης
06:13
from the blind animal treated with
173
358000
2000
του τυφλού ζώου που ακολούθησε θεραπεία με
06:15
the encoder-transducer really do very
174
360000
2000
τον κωδικοποιητή-μορφομετατροπέα
06:17
closely match the normal firing patterns --
175
362000
2000
ταιριάζουν αρκετά με τα φυσιολογικά μοτίβα διέγερσης--
06:19
and it's not perfect, but it's pretty good --
176
364000
2000
και δεν είναι τέλειο,αλλά είναι αρκετά καλό-
06:21
and the blind animal treated with
177
366000
2000
και του τυφλού ζώου που ακολούθησε θεραπεία με
06:23
the standard prosthetic,
178
368000
2000
την κλασική προσθετική,
06:25
the responses really don't.
179
370000
2000
οι αντιδράσεις δεν ταιριάζουν.
06:27
And so with the standard method,
180
372000
3000
Ετσι,λοιπόν, με την κλασική μέθοδο
06:30
the cells do fire, they just don't fire
181
375000
2000
τα κύτταρα διεγείρονται, αλλά δε διεγείρονται
06:32
in the normal firing patterns because
182
377000
2000
στα κλασικά μοτίβα διέγερσης επειδή
06:34
they don't have the right code.
183
379000
2000
δεν έχουν τον σωστό κώδικα.
06:36
How important is this?
184
381000
2000
Πόσο σημαντικό είναι αυτό;
06:38
What's the potential impact
185
383000
2000
Ποια είναι η δυνατή επίδραση
06:40
on a patient's ability to see?
186
385000
3000
στη δυνατότητα του ασθενούς να δει;
06:43
So I'm just going to show you one
187
388000
2000
Θα σας δείξω λοιπόν,
06:45
bottom-line experiment that answers this,
188
390000
2000
ενα στοιχειώδες πείραμα που απαντά στο ερώτημα,
06:47
and of course I've got a lot of other data,
189
392000
2000
και ασφαλώς έχω στη διάθεσή μου και πολλά άλλα δεδομένα,
06:49
so if you're interested I'm happy
190
394000
2000
και αν ενδιαφέρεστε θα χαιρόμουν
06:51
to show more. So the experiment
191
396000
2000
να σας τα δείξω. Έτσι λοιπόν, το πείραμα
06:53
is called a reconstruction experiment.
192
398000
2000
λέγεται πείραμα αναπαράστασης.
06:55
So what we did is we took a moment
193
400000
2000
Ετσι,στη διάρκεια αυτών των καταγραφών,ασχοληθήκαμε
06:57
in time from these recordings and asked,
194
402000
3000
λίγο με το ερώτημα ,που είναι
07:00
what was the retina seeing at that moment?
195
405000
2000
τι μπορούσε να δει ο αμφιβληστροειδής εκείνη τη στιγμή;
07:02
Can we reconstruct what the retina
196
407000
2000
Μπορούμε να αναπαραστήσουμε
07:04
was seeing from the responses
197
409000
2000
αυτό που έβλεπε ο αμφιβληστροειδής απο τις αντιδράσεις
07:06
from the firing patterns?
198
411000
2000
των διεγερμένων μοτίβων;
07:08
So, when we did this for responses
199
413000
3000
Οταν,λοιπόν, το κάναμε αυτό αναμένοντας αντιδράσεις
07:11
from the standard method and from
200
416000
3000
απο την παραδοσιακή μέθοδο και
07:14
our encoder and transducer.
201
419000
2000
από τον κωδικοποίητή μας και μορφομετατροπέα.
07:16
So let me show you, and I'm going to
202
421000
2000
Θα σας δείξω λοιπόν,και θα
07:18
start with the standard method first.
203
423000
2000
ξεκινήσω με την κλασική μέθοδο .
07:20
So you can see that it's pretty limited,
204
425000
2000
Οπως βλέπετε αυτή η μέθοδος έχει περιορισμένες δυνατότητες,
07:22
and because the firing patterns aren't
205
427000
2000
και επειδή τα μοτίβα διέγερσης δε
07:24
in the right code, they're very limited in
206
429000
2000
βρίσκονται στον σωστό κώδικα, είναι πολύ περιορισμένα
07:26
what they can tell you about
207
431000
2000
στις πληροφορίες που μας δίνουν
07:28
what's out there. So you can see that
208
433000
2000
σχετικά με το τι υπάρχει εκει πέρα. Έτσι, βλέπουμε οτι
07:30
there's something there, but it's not so clear
209
435000
2000
υπάρχει κάτι εκεί αλλά δεν είναι τόσο καθαρό
07:32
what that something is, and this just sort of
210
437000
2000
τι είναι αυτό το κάτι, και επανερχόμαστε
07:34
circles back to what I was saying in the
211
439000
2000
σ' αυτό που σας έλεγα στην αρχή
07:36
beginning, that with the standard method,
212
441000
2000
οτι δηλαδή με την κλασική μέθοδο,
07:38
patients can see high-contrast edges, they
213
443000
2000
οι ασθενείς μπορούν να δουν περιγράμματα με έντονες αντιθέσεις,
07:40
can see light, but it doesn't easily go
214
445000
2000
μπορούν να δουν φως αλλά πέρα απ' αυτό
07:42
further than that. So what was
215
447000
2000
δεν είναι εύκολα τα πράγματα.Ποιά ήταν λοιπόν,
07:44
the image? It was a baby's face.
216
449000
3000
η εικόνα;Ηταν το πρόσωπο ενός μωρού.
07:47
So what about with our approach,
217
452000
2000
Πως θα ήταν τα πράγματα με την δική μας προσέγγιση
07:49
adding the code? And you can see
218
454000
2000
και την προσθήκη του κώδικα;Και βλέπετε
07:51
that it's much better. Not only can you
219
456000
2000
οτι είναι πολύ καλύτερα. Οχι μόνο
07:53
tell that it's a baby's face, but you can
220
458000
2000
διακρίνεται οτι είναι πρόσωπο μωρού αλλά
07:55
tell that it's this baby's face, which is a
221
460000
2000
διακρίνεται οτι είναι το πρόσωπο συγκεκριμένου μωρού
07:57
really challenging task.
222
462000
2000
που πράγματι αξίζει την προσπάθεια.
07:59
So on the left is the encoder
223
464000
2000
Έτσι, λοιπόν, αριστερά είναι ο αποκωδικοποιητής
08:01
alone, and on the right is from an actual
224
466000
2000
μόνο, και στα δεξιά απο εναν πραγματικά
08:03
blind retina, so the encoder and the transducer.
225
468000
2000
τυφλό αμφιβληστροειδή, ο κωδικοποιητής και ο μορφομετατροπέας.
08:05
But the key one really is the encoder alone,
226
470000
2000
Αλλά το κλειδί βρίσκεται στον αποκωδικοποιητή και μόνο,
08:07
because we can team up the encoder with
227
472000
2000
επειδή μπορούμε να βάλουμε τον αποκωδικοποιητή
08:09
the different transducer.
228
474000
2000
με διαφορετικό μορφομετατροπέα.
08:11
This is just actually the first one that we tried.
229
476000
2000
Αυτή είναι στην πραγματικότητα η πρώτη μας προσπάθεια.
08:13
I just wanted to say something about the standard method.
230
478000
2000
Θα ήθελα να προσθέσω κάτι για την παραδοσιακή μέθοδο.
08:15
When this first came out, it was just a really
231
480000
2000
Οταν πρωτοεμφανίστηκε, ήταν πράγματι
08:17
exciting thing, the idea that you
232
482000
2000
εντυπωσιακή, η ιδέα να
08:19
even make a blind retina respond at all.
233
484000
3000
μπορείς να κάνεις εναν τυφλό αμφιβληστροειδή να ανταποκρίνεται.
08:22
But there was this limiting factor,
234
487000
3000
Ωστόσο, υπήρχε ενας περιοριστικός παράγοντας,
08:25
the issue of the code, and how to make
235
490000
2000
το θέμα του κώδικα ,και πως να κάνουμε
08:27
the cells respond better,
236
492000
2000
τα κύτταρα να ανταποκρίνονται καλύτερα,
08:29
produce normal responses,
237
494000
2000
να παράγουν φυσιολογικές αντιδράσεις,
08:31
and so this was our contribution.
238
496000
2000
και έτσι αυτή ήταν η δική μας συμβολή.
08:33
Now I just want to wrap up,
239
498000
2000
Τώρα θα ήθελα να συνοψίσω,
08:35
and as I was mentioning earlier
240
500000
2000
και όπως ανέφερα νωρίτερα
08:37
of course I have a lot of other data
241
502000
2000
έχω στη διάθεση μου πολλά δεδομένα
08:39
if you're interested, but I just wanted to give
242
504000
2000
εάν ενδιαφέρεστε, αλλά ήθελα απλώς να σας δώσω
08:41
this sort of basic idea
243
506000
2000
αυτή την βασική ιδέα
08:43
of being able to communicate
244
508000
3000
του να μπορεί κάποιος να επικοινωνεί
08:46
with the brain in its language, and
245
511000
2000
με τον εγκέφαλο στη γλώσσα του,
08:48
the potential power of being able to do that.
246
513000
3000
και τη δυνατότητα να είναι ικανός να το κάνει.
08:51
So it's different from the motor prosthetics
247
516000
2000
Με την έννοια αυτή διαφέρει απο την προσθετική μελών
08:53
where you're communicating from the brain
248
518000
2000
όπου επικοινωνείς απο τον εγκεφαλο
08:55
to a device. Here we have to communicate
249
520000
2000
με ένα εργαλείο. Εδω επικοινωνούμε
08:57
from the outside world
250
522000
2000
απο τον έξω κόσμο
08:59
into the brain and be understood,
251
524000
2000
προς τον εγκέφαλο και γινόμαστε κατανοητοί,
09:01
and be understood by the brain.
252
526000
2000
απο τον εγκεφαλο.
09:03
And then the last thing I wanted
253
528000
2000
Και το τελευταίο πράγμα που θα ήθελα
09:05
to say, really, is to emphasize
254
530000
2000
να πω, είναι να δώσω έμφαση
09:07
that the idea generalizes.
255
532000
2000
στην ιδέα της γενικοποίησης.
09:09
So the same strategy that we used
256
534000
2000
Ετσι την ίδια στρατηγική που χρησιμοποιήσαμε
09:11
to find the code for the retina we can also
257
536000
2000
για να βρούμε τον κώδικα του αμφιβληστροειδούς
09:13
use to find the code for other areas,
258
538000
2000
μπορούμε να χρησιμοποιήσουμε για να βρούμε τον κώδικα και για άλλα συστήματα,
09:15
for example, the auditory system and
259
540000
2000
για παράδειγμα, το σύστημα ακοής,και
09:17
the motor system, so for treating deafness
260
542000
2000
το κινητικό σύστημα,για τη θεραπεία της κώφωσης
09:19
and for motor disorders.
261
544000
2000
και για κινητικά προβλήματα.
09:21
So just the same way that we were able to
262
546000
2000
Ετσι,λοιπόν, με τον ίδιο τρόπο που μπορέσαμε να
09:23
jump over the damaged
263
548000
2000
υπερπηδήσουμε το κατεστραμμένο
09:25
circuitry in the retina to get to the retina's
264
550000
2000
κύκλωμα του αμφιβληστροειδούς για να φτάσουμε στα κύτταρα
09:27
output cells, we can jump over the
265
552000
2000
εξόδου του αμφιβληστροειδούς, μπορούμε να υπερπηδήσουμε
09:29
damaged circuitry in the cochlea
266
554000
2000
το κατεστραμμένο κύκλωμα στον κοχλία
09:31
to get the auditory nerve,
267
556000
2000
και να φτάσουμε στο ακουστικό νεύρο,
09:33
or jump over damaged areas in the cortex,
268
558000
2000
η να υπερπηδήσουμε κατεστραμμένες περιοχές του φλοιού
09:35
in the motor cortex, to bridge the gap
269
560000
3000
στο κινητικό φλοιό,για να γεφυρώσουμε το χάσμα
09:38
produced by a stroke.
270
563000
2000
που προκαλείται απο ένα εγκεφαλικό.
09:40
I just want to end with a simple
271
565000
2000
Θα ήθελα να κλείσω με ένα απλό
09:42
message that understanding the code
272
567000
2000
μήνυμα, οτι η κατανόηση του κώδικα
09:44
is really, really important, and if we
273
569000
2000
είναι πολύ ,παρα πολυ σημαντική, και εάν
09:46
can understand the code,
274
571000
2000
μπορούμε να κατανοήσουμε τον κώδικα,
09:48
the language of the brain, things become
275
573000
2000
τη γλώσσα του εγκεφάλου, διαμορφώνονται
09:50
possible that didn't seem obviously
276
575000
2000
δυνατότητες, που δεν
09:52
possible before. Thank you.
277
577000
2000
υπήρχαν πριν. Ευχαριστώ.
09:54
(Applause)
278
579000
5000
(Χειροκρότημα)
ABOUT THE SPEAKER
Sheila Nirenberg - NeuroscientistSheila Nirenberg studies how the brain encodes information -- possibly allowing us to decode it, and maybe develop prosthetic sensory devices.
Why you should listen
Sheila Nirenberg is a neuroscientist/professor at Weill Medical College of Cornell University, where she studies neural coding – that is, how the brain takes information from the outside world and encodes it in patterns of electrical activity. The idea is to be able to decode the activity, to look at a pattern of electrical pulses and know what an animal is seeing or thinking or feeling. Recently, she’s been using this work to develop new kinds of prosthetic devices, particularly ones for treating blindness.
Sheila Nirenberg | Speaker | TED.com