Visual Prostheses in the Era of Artificial Intelligence Technology
Notice bibliographique
Résumé
Background: Over the past few decades, technological advancements have transformed invasive visual prostheses from theoretical concepts into real-world applications. However, functional outcomes remain limited, especially in visual acuity. This review aims to summarize current developments in retinal and cortical prostheses (RCPs) and critically assess the role of artificial intelligence (AI) in advancing these systems. Purpose: To describe current RCPs and provide a systematic review on image and signal processing algorithms designed for improved clinical outcomes. Patients and Methods: We performed a systematic review of the literature related to AI subserving prosthetic vision, using mainly PubMed, but also, Elicit, a dedicated AI-based reference research assistant. A total of 455 studies were screened on PubMed, of which 23 were retained for inclusion. An additional 5 studies were identified and included through Elicit. Results: The analysis of current RCPs highlights various limitations affecting the quality of the visual flow provided by current artificial vision. Indeed, the 28 reviewed studies on AI covered two applications for RCPs including extraction of saliency in camera captured images, and consistency between electrical stimulation and perceived phosphenes. A total of 14 out of 28 studies involved the use of artificial neural networks, of which 12 included model training. Evaluation with data from a visual prosthesis was conducted in 7 studies, including 1 that was prospectively assessed with a human RCP. Validation with empirical data from human or animal data was performed in 22 out of 28 studies. Out of these, 15 were validated using simulated prosthetic vision. Finally, out of 22 studies leveraging a mathematical model for phosphenes perception, 14 used a symmetrical oversimplified modeling. Conclusion: AI algorithms show promise in optimizing prosthetic vision, particularly through enhanced image saliency extraction and stimulation strategies. However, most current studies are based on simulations. Further development and validation in real-world settings, especially through clinical testing with blind patients, are essential to assess their true effectiveness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».