В статье, опубликованной в npj Digital Medicine 1 сентября 2026 года, представлено исследование, в котором с помощью генеративного глубокого обучения впервые удалось реконструировать подкорковые нейронные сигналы на основе записей активности коры головного мозга. Авторы разработали модель на основе вариационного автокодировщика (VAE) и генеративно-состязательной сети (GAN), которая обучалась на синхронных записях из коры и подкорковых структур (например, базальных ганглиев) у пациентов с болезнью Паркинсона и эпилепсией. Модель достигла коэффициента корреляции Пирсона 0.87 между реконструированными и реальными подкорковыми сигналами, что значительно превышает показатели линейных методов (0.52). Валидация на независимой когорте из 12 пациентов подтвердила устойчивость модели, а анализ ошибок показал, что наибольшая точность достигается в бета-диапазоне (13–30 Гц), критичном для симптомов Паркинсона. Разработанный подход позволяет реализовать замкнутую глубокую стимуляцию мозга (DBS) без необходимости инвазивных электродов в подкорковых областях, что снижает хирургический риск и расширяет доступность терапии. Авторы также продемонстрировали, что реконструированные сигналы могут быть использованы для адаптивной стимуляции в реальном времени, что открывает путь к более персонализированным и эффективным нейромодуляционным вмешательствам. Исследование подчеркивает потенциал генеративного ИИ для преодоления ограничений инвазивной нейрофизиологии и улучшения клинических исходов.