Un grupo de investigadores de la Escuela Politécnica Federal de Lausana (EPFL) ha desarrollado modelos de inteligencia artificial que dan un paso firme hacia una prótesis visual capaz de restaurar la visión a nivel de objetos en personas ciegas. La tecnología permite predecir con exactitud dónde estimular el cerebro para generar imágenes como rostros o casas, en lugar de los simples destellos de luz que ofrecen los dispositivos actuales, según informó el portal especializado TechXplore.
El avance apunta directamente a una de las principales limitaciones de las prótesis existentes: todavía no logran producir percepciones visuales complejas y funcionales para quienes padecen déficits irreparables en la vía visual, desde la retina en adelante. Así lo explicó Johannes Mehrer, científico del NeuroAI Lab de la EPFL.
Los resultados preliminares ya fueron probados en ensayos en vivo con dos monos con visión, realizados por investigadores neerlandeses a partir de los modelos desarrollados en la EPFL. Estos hallazgos se presentaron en abril en Río de Janeiro, Brasil, durante la International Conference on Learning Representations de 2026. El trabajo está disponible en el repositorio arXiv.
Mehrer, quien lideró la investigación, señaló que el proyecto nace de un problema clínico concreto: existen muchas personas con déficits visuales que no pueden ser reparados. Una de las estrategias para enfrentar esa situación, indicó, es desarrollar una prótesis visual.
El problema de las prótesis corticales
Existen prótesis visuales de diversos tipos: retinianas, del nervio óptico y corticales, detalló el portal. Las retinianas se colocan en la retina; las del nervio óptico se utilizan cuando la retina está muy dañada para un implante, pero el nervio aún puede estimularse; y las corticales se emplean cuando no es posible implantar ni la retina ni el nervio óptico.
Las prótesis corticales evitan por completo la retina y el nervio óptico, funcionando mediante electrodos que “dibujan” imágenes sobre la corteza visual. El problema es que hasta ahora este método se ha centrado en regiones cerebrales de bajo nivel, donde solo es posible proyectar destellos de luz y formas sencillas.
A esa limitación se suman restricciones de hardware: se requieren múltiples electrodos para estimular distintas áreas al mismo tiempo, pero solo puede utilizarse una cantidad determinada de electrodos en una misma zona. Mehrer resumió la situación: “Las imágenes que pueden evocar, en este caso símbolos simples, están realmente muy limitadas en su complejidad”.
El investigador agregó que los métodos previos no podían provocar la percepción de un objeto visual más complejo, como una casa o un automóvil. Esa es la pregunta central que este trabajo intenta responder: cómo pasar de destellos y símbolos a percepciones con significado.
Las regiones visuales de nivel superior del cerebro procesan objetos más complejos y, por esa razón, podrían convertirse en el objetivo de una nueva generación de prótesis capaces de evocar rostros, casas y otros objetos. El obstáculo es que esas regiones son menos accesibles, ya que todavía no se sabe con exactitud dónde ni cómo estimularlas.
Cómo funciona el modelo de IA para la estimulación cortical
Para abordar ese desafío, los investigadores utilizaron una red neuronal artificial topográfica con la que probaron distintos patrones de estimulación cerebral en regiones visuales de alto nivel y simularon sus resultados. Este enfoque permite ejecutar muchas simulaciones con combinaciones de parámetros que, de otro modo, requerirían mucho tiempo experimental y un costo elevado.
El equipo del NeuroAI Lab trabajó exclusivamente en computadora y construyó un modelo capaz de elegir la mejor combinación entre imágenes y patrones específicos de estimulación. A partir de esos resultados, un grupo de investigadores en Ámsterdam decidió poner a prueba las predicciones del modelo en dos monos que ya tenían implantes por otros experimentos ajenos a la EPFL.
Martin Schrimpf, director del NeuroAI Lab de la EPFL, sostuvo que el modelo fue “bastante eficiente” para predecir qué patrón de estimulación produciría un efecto fuerte en la conducta de los monos en cuanto al reconocimiento visual de objetos. También precisó al medio que el sistema no solo puede seleccionar imágenes, sino indicar cuál es el patrón óptimo de estimulación para obtener una conducta deseada ante una imagen dada.
Hasta ahora, el trabajo ha demostrado que los investigadores pueden moldear la percepción de objetos, es decir, sesgar cómo se representa un estímulo visual en el cerebro cuando ese estímulo ya está presente. Todavía no pueden crear la percepción de un objeto a partir de la nada.
Schrimpf describió el proceso: “El mono ya estaba viendo una imagen, y luego pudimos básicamente distorsionarla para cambiar la percepción de maneras algo predecibles”. El siguiente paso, añadió al medio, será “evocar una percepción desde cero: hacer que alguien vea algo con significado incluso cuando sus ojos no estén entregando una imagen utilizable”.
El objetivo fundamental es restaurar una visión con significado en personas ciegas mediante estimulación cortical guiada por modelos. Esa misma lógica también podría aplicarse a prótesis auditivas.
Gracias a una subvención de la Horton Health Foundation, Schrimpf y su equipo investigarán ahora si este tipo de modelado también funciona para la estimulación auditiva. El investigador señaló que los implantes cocleares son muy buenos, pero no son perfectos y no restauran por completo el procesamiento auditivo.
La nueva meta, explicó, es desarrollar modelos topográficos que puedan predecir qué efecto tiene la estimulación sobre la actividad neuronal en el procesamiento auditivo.
Fuente: Infobae