Un grupo de investigadores del Instituto Weizmann de Ciencias, ubicado en Rejovot, Israel, creó una herramienta de inteligencia artificial que logra determinar lo que una persona está mirando mediante el análisis de sus escáneres cerebrales, y luego reproduce esa imagen con una exactitud nunca antes vista. Además, el sistema opera en sentido inverso: es capaz de anticipar la actividad cerebral que generaría una imagen que el sujeto aún no ha observado.
La científica Michal Irani, líder del proyecto junto a su equipo, confía en que esta tecnología permita avanzar en la comprensión del cerebro humano. Entre las aplicaciones potenciales, menciona la comunicación con pacientes con síndrome de enclaustramiento y la posibilidad de que los investigadores reconstruyan el contenido de los sueños.
Dos ramas del decodificador mejoran la precisión de las imágenes
Desde hace años, los neurocientíficos emplean la resonancia magnética funcional (fMRI) para intentar descifrar lo que una persona ve o piensa. Los primeros resultados producían imágenes borrosas y difíciles de interpretar. La técnica registra el flujo de sangre oxigenada en el cerebro; un vóxel típico de actividad en un escáner convencional mide aproximadamente tres milímetros cúbicos y agrupa cerca de 16.000 neuronas, una resolución que restringe la precisión de los resultados.
El grupo de Irani utilizó bases de datos públicas obtenidas con escáneres de alta resolución, donde cada vóxel abarca cerca de un milímetro cúbico de neuronas. Estos datos provenían de ocho voluntarios a quienes se les presentaron aproximadamente 9.000 imágenes mientras eran sometidos a fMRI de alta resolución.
El decodificador cerebral creado cuenta con dos ramas: una se encarga de predecir la estructura de la imagen, es decir, la ubicación de los colores, y la otra predice el contenido. Ambas salidas alimentan un modelo de difusión, el mismo tipo de inteligencia artificial que se usa para generar videos e imágenes, el cual va eliminando gradualmente el ruido de píxeles hasta obtener una representación fiel de lo observado.
Codificador sintético amplió los datos de entrenamiento
Con el objetivo de mejorar el sistema, los científicos requerían más información de la disponible. Por ello, entrenaron un segundo modelo: un codificador capaz de pronosticar la actividad cerebral que una persona tendría al observar una imagen determinada.
Ambos modelos se entrenaron de manera conjunta: ante una imagen nueva, el codificador genera un escáner cerebral estimado, y el decodificador intenta reconstruir la imagen original a partir de esa predicción.
Tras repetir este proceso miles de veces, se lograron mejoras notables. De acuerdo con Irani, citada por MIT Technology Review, aproximadamente el 70% de los datos de entrenamiento provino de imágenes que nunca fueron presentadas a un sujeto dentro de un escáner de fMRI.
El análisis cruzado de datos de diversos estudios reveló regiones cerebrales con funciones similares en distintas personas: una zona respondía a imágenes de comida y otra a imágenes de deportes. Irani, experta en informática, colabora actualmente con neurocientíficos para investigar si estas herramientas pueden descubrir nuevos hallazgos sobre el cerebro.
Calibración reducida: solo una hora de datos por persona
Uno de los logros más destacados del estudio es la reducción del tiempo de calibración. Mientras que otras tecnologías similares demandaban hasta 40 horas de datos de fMRI de un nuevo sujeto para poder predecir lo que observa, el codificador cerebral universal del equipo de Irani necesita únicamente una hora.
El neurocientífico Tommy Sprague, de la Universidad de California en Santa Bárbara, quien no participó en la investigación, considera que este avance es clave.
«Ninguno de nosotros puede permitirse 40 horas de pruebas de imagen para un nuevo sujeto»
afirmó. Sprague agregó que cada hora de estas pruebas cuesta entre 600 y 1.000 dólares, por lo que herramientas como esta podrían acelerar los estudios sobre el cerebro.
Los hallazgos fueron expuestos el mes pasado en el congreso Cognitive Computational Neuroscience, en Nueva York, donde superaron en pruebas comparativas a herramientas previas. No obstante, el sistema todavía comete errores: Irani presentó casos en los que una tarta fue reconstruida como una pila de tres sándwiches, y un perro dentro de una bañera se transformó en una cabra de color similar.
Fuente: Infobae