Un equipo del Instituto Weizmann de Ciencias desarrolló un modelo de inteligencia artificial (IA) capaz de reconstruir imágenes a partir de registros de actividad cerebral obtenidos mediante resonancia magnética funcional. El sistema, denominado Brain-IT, identifica patrones compartidos entre distintas personas mientras observan imágenes y los utiliza para generar representaciones visuales del contenido percibido. El avance no supone una lectura literal de pensamientos, pero permite aproximarse con mayor precisión a lo que una persona está viendo.

El modelo fue desarrollado en el laboratorio de la profesora Michal Irani, del Departamento de Ciencias de la Computación y Matemáticas Aplicadas. Según la investigadora, otros sistemas ya podían reconstruir imágenes conservando parte de su significado general, aunque solían fallar en aspectos básicos como los colores o la composición. Brain-IT busca mejorar tanto el contenido semántico como esos detalles visuales.

Una de sus principales diferencias está en el tiempo necesario para adaptarse a una nueva persona. Mientras otros modelos requieren decenas de horas de registros cerebrales individualizados, el sistema desarrollado por el equipo de Irani puede entrenarse con alrededor de una hora de datos. La clave está en que aprende patrones funcionales que se repiten entre cerebros distintos.

Cómo funciona Brain-IT

El entrenamiento de este tipo de sistemas enfrenta un problema fundamental: la escasez de datos. Para obtenerlos es necesario registrar mediante resonancia magnética funcional la actividad cerebral de personas mientras observan miles de imágenes. El mayor conjunto disponible utilizado para estas investigaciones incluye registros de apenas ocho participantes.

Para superar esa limitación, el equipo construyó dos modelos complementarios. Uno funciona como decodificador y trata de reconstruir una imagen a partir de una señal cerebral. El otro actúa como codificador y realiza el proceso inverso: recibe una imagen y predice qué patrón de actividad cerebral podría generar.

Los investigadores comparan el funcionamiento con un diccionario que permite traducir en ambas direcciones. El codificador puede recibir imágenes que nunca fueron mostradas dentro de un escáner, generar una señal cerebral estimada y enviarla posteriormente al decodificador. Este último intenta reconstruir la imagen inicial.

De esta manera, el sistema puede producir ejemplos sintéticos para ampliar el entrenamiento sin necesidad de registrar cada imagen en una persona real. El objetivo no es fabricar datos arbitrarios, sino aprender qué características visuales están asociadas con determinados patrones de actividad neuronal.

Un mapa de unos 40.000 vóxeles cerebrales

La variabilidad entre individuos presentó otro desafío. Una misma imagen no provoca exactamente el mismo patrón de actividad cerebral en todas las personas. Para encontrar elementos comunes, los científicos dividieron los registros en aproximadamente 40.000 vóxeles, pequeñas unidades tridimensionales utilizadas para representar la actividad cerebral medida mediante fMRI.

Paralelamente, otro modelo analizó las imágenes y extrajo características básicas, como colores y posiciones, junto con elementos semánticos vinculados con su contenido. Al comparar ambas dimensiones comenzaron a aparecer patrones repetidos entre diferentes cerebros.

Ese procedimiento permitió construir lo que los investigadores describen como un «codificador cerebral universal». El sistema intenta identificar regiones que cumplen funciones similares entre personas aunque su ubicación anatómica exacta presente variaciones.

Durante el entrenamiento, el modelo identificó 128 regiones funcionales compartidas relacionadas con el procesamiento visual. Algunas coinciden con áreas ya estudiadas por la neurociencia, mientras otras podrían aportar nuevas hipótesis sobre cómo el cerebro organiza la información.

Qué podría aportar al estudio del cerebro

Entre los resultados mencionados por Irani aparece una diferenciación dentro de la región conocida como PPA, vinculada con el procesamiento visual de lugares. El modelo detectó una división entre sectores que responden con mayor intensidad a escenas interiores y otros asociados con espacios exteriores.

El codificador también permite modificar características concretas de una imagen para observar cómo cambiaría la actividad cerebral estimada. Por ejemplo, los investigadores pueden comparar una escena en color con la misma versión en blanco y negro y estudiar qué regiones presentan diferencias.

Estas herramientas podrían ayudar a investigar cómo se distribuyen determinadas funciones visuales y cómo interactúan distintas áreas cerebrales durante la percepción. Los resultados obtenidos por el modelo, sin embargo, requieren interpretación y validación neurocientífica antes de asumir que cada patrón identificado corresponde a una función específica.

El próximo desafío: sonidos, videos y sueños

El laboratorio trabaja ahora en extender el método al procesamiento de información auditiva. El video plantea una dificultad mayor porque incorpora secuencias de imágenes que cambian rápidamente, mientras una medición mediante resonancia magnética funcional necesita alrededor de dos segundos para registrar una señal.

Esa diferencia temporal se vuelve todavía más compleja cuando se intenta estudiar contenido dinámico producido internamente por el cerebro. Irani mencionó los sueños como una posible frontera futura para este tipo de tecnología.

La investigadora considera que, si se superan las limitaciones actuales de velocidad y precisión, algún día podrían reconstruirse parcialmente imágenes presentes durante los sueños. Por ahora, Brain-IT trabaja sobre señales cerebrales registradas mientras una persona observa contenido visual conocido, por lo que hablar de una lectura completa de la mente continúa siendo una posibilidad muy lejana.