La inteligencia artificial podría permitir que personas ciegas reconozcan objetos a través de prótesis visuales

Un equipo de la Escuela Politécnica Federal de Lausana (EPFL) desarrolló modelos de inteligencia artificial que acercan la posibilidad de una prótesis visual capaz de restaurar visión con nivel de objetos en personas ciegas, al predecir con precisión dónde estimular el cerebro para evocar imágenes como rostros o casas en lugar de simples destellos de luz, informó el portal especializado en ciencia y tecnología TechXplore.

El avance apunta a una limitación central de las prótesis actuales: todavía no logran generar percepciones visuales complejas y útiles para quienes tienen déficits irreparables a lo largo de la vía visual, desde la retina en adelante, explicó Johannes Mehrer, científico del NeuroAI Lab de EPFL.

Los resultados preliminares ya se probaron en ensayos en vivo con dos monos con visión, realizados por investigadores neerlandeses a partir de los modelos desarrollados en EPFL. Esos resultados se presentaron en abril en Río de Janeiro, Brasil, durante la International Conference on Learning Representations de 2026. El trabajo se encuentra disponible en arXiv.

Mehrer, que lideró la investigación, afirmó que el proyecto parte de un problema clínico concreto: hay muchas personas con déficits visuales que no pueden repararse. Una de las vías para enfrentar ese cuadro, señaló, es desarrollar una prótesis visual.

El problema de las prótesis corticales

Existen prótesis visuales de varios tipos: retinianas, del nervio óptico y corticales, detalló el portal. Las retinianas se colocan en la retina; las del nervio óptico se usan cuando la retina está demasiado dañada para un implante, pero el nervio aún puede estimularse; y las corticales se emplean cuando no puede implantarse ni la retina ni el nervio óptico.

Las prótesis corticales eluden por completo la retina y el nervio óptico y funcionan mediante electrodos que “dibujan” imágenes sobre la corteza visual. El problema es que hasta ahora este enfoque se concentra en regiones cerebrales de nivel bajo, donde solo es posible proyectar destellos de luz y formas sencillas.

A esa limitación se suman restricciones de hardware: se necesitan múltiples electrodos para estimular distintas áreas al mismo tiempo, pero solo puede utilizarse una cantidad determinada de electrodos en una misma zona. Mehrer resumió: “Las imágenes que pueden evocar, en este caso símbolos simples, están realmente muy limitadas en su complejidad”.

El investigador agregó que los métodos existentes 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 eso podrían convertirse en el blanco de una nueva generación de prótesis capaces de evocar rostros, casas y otros objetos. El obstáculo es que esas regiones son menos accesibles porque todavía no se sabe con exactitud dónde ni cómo estimularlas.

Cómo funciona el modelo de IA para estimulación cortical

Para abordar ese problema, los investigadores usaron una red neuronal artificial topográfica con la que probaron distintos patrones de estimulación cerebral en regiones visuales de nivel superior y simularon sus resultados. Ese enfoque permite ejecutar muchas simulaciones con combinaciones de parámetros que, de otro modo, exigirían mucho tiempo experimental y un costo elevado.

El equipo de NeuroAI Lab trabajó enteramente 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 EPFL.

Martin Schrimpf, director del NeuroAI Lab de EPFL, sostuvo que el modelo fue “bastante eficiente” para predecir qué patrón de estimulación produciría un efecto fuerte en la conducta de los monos respecto del 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 mostró 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 mono ya estaba viendo una imagen, y luego pudimos básicamente distorsionarla para cambiar la percepción de maneras algo predecibles”. El próximo 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 de fondo 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.