Crean una IA de “lectura de mente”: puede reconstruir lo que estás mirando a partir de un escáner cerebral

Un equipo de científicos del Instituto Weizmann de Ciencias, en Rejovot, Israel, desarrolló una herramienta de inteligencia artificial capaz de adivinar qué observa una persona a partir de sus escáneres cerebrales y recrear esa imagen con un nivel de precisión inédito. El sistema también funciona a la inversa: puede predecir cómo sería la actividad cerebral de un individuo a partir de una imagen que todavía no ha visto.

La investigadora Michal Irani, quien lideró el desarrollo junto a sus colegas, espera que la herramienta sirva para profundizar en el conocimiento sobre el funcionamiento del cerebro. Entre las aplicaciones que imagina figuran la posibilidad de ayudar a comunicarse a personas con síndrome de enclaustramiento o la de permitir a los científicos recrear el contenido de los sueños.

Un decodificador con dos ramas para mejorar la fidelidad de las imágenes

Los neurocientíficos llevan años utilizando la resonancia magnética funcional (fMRI) para intentar reconstruir lo que ven o piensan las personas. Los primeros intentos arrojaban imágenes borrosas y difíciles de interpretar. La técnica mide el flujo de sangre oxigenada en el cerebro: cada “vóxel” de actividad en un escáner convencional abarca unos tres milímetros cúbicos y contiene alrededor de 16.000 neuronas, una resolución que limita la especificidad de los resultados.

El equipo de Irani partió de conjuntos de datos públicos recopilados con escáneres de mayor resolución, en los que cada vóxel cubre aproximadamente un milímetro cúbico de neuronas. Esa información correspondía a ocho personas a las que se les habían mostrado unas 9.000 imágenes mientras permanecían dentro de un equipo de fMRI de alta resolución.

El “decodificador cerebral” resultante consta de dos ramas: una predice la estructura de la imagen, es decir, dónde se ubican los colores, y la otra predice su contenido. Ambas predicciones alimentan un modelo de difusión, el mismo tipo de IA empleado para generar video e imágenes, que depura gradualmente una maraña de píxeles con ruido hasta producir una representación fiel de lo que la persona observó.

Un codificador adicional multiplicó los datos de entrenamiento

Para perfeccionar el sistema, los investigadores necesitaban más datos de los que existían disponibles. La solución consistió en entrenar un segundo modelo, un codificador capaz de predecir cómo sería la actividad cerebral de una persona frente a una imagen determinada.

Codificador y decodificador se entrenaron luego de forma conjunta: a partir de una imagen nueva, el codificador estima el escáner cerebral correspondiente y el decodificador intenta reconstruir la imagen original a partir de esa estimación.

Este proceso, repetido miles de veces, permitió mejoras sustanciales. Alrededor del 70% de los datos de entrenamiento provino de imágenes que nunca habían sido mostradas a una persona dentro de un escáner de fMRI, según precisó Irani a MIT Technology Review.

El cruce de datos de múltiples estudios también permitió identificar regiones cerebrales con funciones compartidas entre distintos individuos: una parecía responder a imágenes de comida y otra a imágenes de deportes. Irani, especialista en informática, trabaja ahora junto a neurocientíficos para explorar si estas herramientas pueden revelar hallazgos nuevos sobre el cerebro.

El sistema requiere solo una hora de datos por persona

Uno de los avances más señalados por los investigadores es la reducción del tiempo de calibración. Mientras que otras herramientas similares necesitaban unas 40 horas de datos de fMRI de un nuevo sujeto antes de poder predecir lo que esa persona observa, el “codificador cerebral universal” desarrollado por el equipo de Irani requiere apenas una hora.

Para Tommy Sprague, neurocientífico de la Universidad de California en Santa Bárbara, que no participó en el estudio, ese dato resulta relevante para la investigación en curso: “Ninguno de nosotros puede permitirse 40 horas de pruebas de imagen para un nuevo sujeto”, afirmó. Según Sprague, cada hora de este tipo de pruebas cuesta entre 600 y 1.000 dólares, por lo que herramientas como esta podrían acelerar los estudios sobre el cerebro.

Los resultados se presentaron el mes pasado en el congreso Cognitive Computational Neuroscience, en Nueva York, y superaron en pruebas comparativas a otras herramientas descritas anteriormente. El propio sistema aún presenta fallos: Irani mostró ejemplos 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 un color similar.