Una inteligencia artificial desarrollada por investigadores del Instituto de Ciencias Weizmann reconstruyó imágenes que voluntarios estaban mirando a partir de escáneres cerebrales. El equipo afirma que su sistema, llamado Brain-IT, mejora resultados previos y necesita alrededor de una hora de datos para adaptarse a una persona nueva.

Cómo funciona Brain-IT

El modelo se entrenó con miles de escáneres recopilados mientras ocho voluntarios miraban fotografías variadas, desde un partido de béisbol hasta un perro asomado por la ventana de un automóvil y varias personas caminando en una llanura nevada.

Con esos ejemplos, Brain-IT aprendió a asociar patrones neurales con características visuales como colores, formas y objetos. Cuando recibió escáneres correspondientes a imágenes que no había visto durante el entrenamiento, produjo reconstrucciones que, según el equipo, preservaron mejor el contenido, la composición y el color que los modelos anteriores.

La profesora Michal Irani, del Instituto de Ciencias Weizmann, explicó que otros sistemas ya podían generar reconstrucciones que conservaban razonablemente el significado general de una imagen, pero solían equivocarse en aspectos básicos. Según su evaluación, el nuevo modelo mejora la reconstrucción del contenido y los detalles, aunque eso no significa que pueda descifrar cualquier pensamiento de una persona.

El sistema también aprendió a predecir cómo se vería un escáner cerebral a partir de una imagen. El equipo combinó datos de distintos estudios para identificar regiones que parecían cumplir funciones similares entre participantes, una estrategia que permitió construir un modelo común en vez de depender exclusivamente de una larga calibración individual.

Una hora de calibración frente a 40 horas

Una de las diferencias destacadas por los investigadores es el tiempo de adaptación requerido para una persona nueva. Otros decodificadores descritos en el reporte necesitan cerca de 40 horas de datos de escáner cerebral antes de intentar predecir lo que alguien está viendo; Brain-IT, en cambio, habría necesitado 60 minutos para generar resultados comparables.

Para ilustrar esa diferencia, el equipo contrastó reconstrucciones producidas después de entrenar el sistema con una hora de datos y otras obtenidas con 40 horas. El reporte señala que ambas series resultaron notablemente similares, y que al comparar el desempeño con otros programas Brain-IT generó imágenes más precisas, aunque la información disponible no incluye métricas numéricas de esa evaluación.

Durante el entrenamiento, el codificador identificó 128 regiones funcionales que, de acuerdo con Irani, comparten las personas y participan en el procesamiento de imágenes. Algunas coinciden con áreas conocidas por la neurociencia, mientras que otras serían nuevas; una región respondía de forma consistente ante imágenes de comida y otra ante escenas deportivas.

El equipo también describió una división dentro de la zona conocida como PPA, vinculada al procesamiento de imágenes de lugares. Según Irani, una parte de esa región respondía a escenas interiores y otra a exteriores, un resultado que muestra cómo el modelo puede ayudar a estudiar la organización de funciones visuales, además de reconstruir fotografías observadas.

Lo que aún no puede demostrar

La expresión “lectura mental” puede exagerar lo que el experimento demuestra: el sistema reconstruye imágenes que los participantes están mirando a partir de señales registradas bajo condiciones de estudio. La información difundida no afirma que Brain-IT pueda recuperar pensamientos privados de cualquier persona, ni que funcione sin escáneres, datos de entrenamiento o una tarea visual controlada.

El tipo de registro también importa para entender sus límites. El experimento utiliza escáneres cerebrales, mientras que el equipo trabaja en sistemas que analicen electroencefalografía, o EEG, una técnica que mide señales eléctricas mediante sensores colocados sobre el cuero cabelludo, por ejemplo con una gorra o auriculares especialmente diseñados.

Los investigadores esperan que modelos de inteligencia artificial más sofisticados faciliten la interpretación de señales recogidas mediante EEG, sin depender de escáneres MRI. Sin embargo, el reporte no presenta esa posibilidad como un resultado ya alcanzado: describe una línea de trabajo en desarrollo y no ofrece una fecha para disponer de un decodificador de uso cotidiano.

El laboratorio de Irani también busca extender estos métodos a información auditiva, mientras que el video representa un reto mayor. La investigadora señaló que las imágenes cambian muchas veces por segundo y que un escáner fMRI toma alrededor de dos segundos por registro; por eso, interpretar secuencias rápidas, como las que podrían aparecer durante un sueño, sigue siendo especialmente difícil.

El equipo presentó sus hallazgos en la conferencia de Neurociencia Computacional Cognitiva, celebrada en Nueva York el mes anterior a la publicación del reporte.

Irani planteó que, si se superan los obstáculos técnicos, quizá sea posible leer sueños en el futuro, pero esa posibilidad permanece como una aspiración y no como una capacidad demostrada por Brain-IT.