Una nueva herramienta de IA puede adivinar qué estás mirando con solo analizar tus escáneres cerebrales —y recrear esa imagen con una precisión asombrosa—. También puede funcionar a la inversa y predecir la actividad cerebral de una persona a partir de lo que está mirando.
En la imagen superior, por ejemplo, la imagen izquierda de cada par es lo que el usuario vio en realidad—y su homóloga de la derecha es lo que el modelo reconstruyó a partir del escáner cerebral.
Michal Irani, que desarrolló la herramienta junto a sus colegas en el Instituto Weizmann de Ciencias en Rejovot (Israel), espera que su herramienta de «lectura de la mente» sirva en última instancia para revelar más sobre el funcionamiento del cerebro, y que tal vez pueda utilizarse para ayudar a comunicarse a personas con síndrome de enclaustramiento o permitir a los científicos recrear el contenido de los sueños.
Judy Illes, neuroeticista y profesora de neurología en la Universidad de Columbia Británica (Canadá), que no participó en la investigación, califica el trabajo de «magnífico». «La idea [de utilizar este enfoque] para ayudar a personas con afecciones neurológicas… de forma terapéutica es sumamente emocionante», afirma.
Sin embargo, otros científicos advierten de que un enfoque similar podría utilizarse para revelar los pensamientos íntimos y las imágenes mentales de las personas, potencialmente sin su consentimiento. «Los resultados parecen muy impresionantes», afirma Tommy Sprague, neurocientífico de la Universidad de California en Santa Bárbara. «Pero si existe una forma de extraer de manera subrepticia información sobre lo que estás pensando, entonces... 150 años de ciencia ficción pueden hacerse realidad en cualquier momento, y eso resulta preocupante en muchos sentidos».
Asomarse al interior del cerebro
Los neurocientíficos llevan años trabajando en formas de utilizar la resonancia magnética funcional (fMRI) para reconstruir lo que ven las personas y lo que pasa por su mente. Los primeros intentos producían imágenes borrosas y difíciles de descifrar. Los avances tecnológicos —tanto en las propias exploraciones por fMRI como en las herramientas empleadas para interpretar los resultados— han dado lugar a mejoras a lo largo de los años.
Irani y sus colegas comenzaron analizando datos de escáneres cerebrales de acceso público. Otros investigadores ya habían recopilado escáneres de voluntarios a los que se les mostraron cientos de imágenes mientras permanecían tumbados en escáneres de fMRI.
La fMRI utiliza un imán gigante para rastrear el flujo de sangre oxigenada por el cerebro. Se considera que las áreas cerebrales que se «iluminan» en las exploraciones son aquellas especialmente activas en un momento determinado. Los resultados no son especialmente específicos: en los escáneres de fMRI convencionales, cada «vóxel» de actividad resaltado abarca unos tres milímetros cúbicos, que albergan alrededor de 16.000 neuronas.
Sin embargo, Irani y sus colegas utilizaron conjuntos de datos más recientes recopilados mediante escáneres de mayor resolución —cada vóxel cubría aproximadamente un milímetro cúbico de neuronas, explica—. Esos conjuntos de datos mostraban cómo era la actividad cerebral de los voluntarios mientras observaban diversas imágenes.
Otros equipos también lo han hecho, y se han utilizado varias otras herramientas para recrear imágenes a partir de datos de escáneres cerebrales. Pero no son lo bastante buenas, señala Irani. Imagina que una persona ve un plátano. Estos modelos pueden generar una imagen de un plátano, pero tendría un aspecto diferente, explica. «No tendría la misma estructura ni la misma posición».
Un mejor decodificador
Los investigadores querían recrear con mayor fidelidad las imágenes que se habían visto. El primer paso consistió en entrenar un modelo de IA con datos ya disponibles de ocho personas a las que se les habían mostrado unas 9000 imágenes a cada una mientras se encontraban en un escáner de resonancia magnética funcional (fMRI) de alta resolución.
De forma crucial, su «decodificador cerebral» consta de dos ramas: una para predecir la estructura de una imagen (dónde están los colores, por ejemplo) y una segunda para predecir su contenido (por ejemplo, un racimo de plátanos en un plato). Las predicciones permiten a un modelo de difusión, un tipo de IA conocido sobre todo por crear vídeo e imágenes al depurar gradualmente una maraña de píxeles con ruido, generar una representación mucho más precisa de lo que vio la persona.
Pero para mejorar los modelos necesitaban más datos—muchos más de los que realmente había disponibles.
Para sortear este problema, Irani y sus colegas entrenaron otro modelo: un codificador capaz de predecir la actividad cerebral a partir de una imagen. A continuación, el equipo utilizó el codificador y el decodificador de forma conjunta para mejorar ambas herramientas.
Funciona así: empieza con una nueva imagen de, por ejemplo, un leopardo. Luego, utiliza el codificador para predecir cómo sería el escáner cerebral por fMRI de una persona al ver esa imagen. Después, se emplea el decodificador para reconstruir la imagen. Al principio, la reconstrucción probablemente no se parecerá mucho a un leopardo, apunta Irani. Pero entrenar los modelos repetidamente de esta manera acaba dando lugar a mejoras espectaculares.
Este enfoque también permite al equipo entrenar sus modelos con tantas imágenes como desee, incluso con imágenes que nunca se han mostrado a una persona en un escáner de fMRI. Irani afirma que alrededor del 70 % de los datos de entrenamiento procede de imágenes que originalmente no estaban emparejadas con escaneos de fMRI.
Al combinar datos de múltiples estudios, también lograron identificar regiones cerebrales que parecen compartir funciones en todos los individuos. Una región parecía responder a imágenes de comida, por ejemplo, mientras que otra respondía a imágenes de deportes. Irani, informática, afirma que ahora trabaja con neurocientíficos «para ver si realmente podemos utilizar estas herramientas que hemos desarrollado para descubrir cosas nuevas sobre el cerebro».
El «codificador cerebral universal» resultante puede funcionar con el escáner de una nueva persona con una calibración mínima. En otros intentos, una herramienta solía requerir unas 40 horas de datos de fMRI de cualquier persona nueva antes de poder utilizarse para predecir lo que esa persona está viendo. El decodificador de Irani solo necesita una hora de datos, asegura. El hallazgo se presentó el mes pasado en el congreso Cognitive Computational Neuroscience en Nueva York.
Esto podría resultar muy valioso para los neurocientíficos que estudian el cerebro, afirma Sprague. «Ninguno de nosotros puede permitirse 40 horas de pruebas de imagen para un nuevo sujeto», explica. «Cuesta entre 600 y 1000 dólares por hora». Herramientas como esta podrían acelerar la investigación, añade.
Estado del arte
El codificador y el decodificador no son perfectos. «Por supuesto que tenemos fallos», afirma Irani. Durante una videollamada de Zoom, mostró la imagen de una tarta que su herramienta reconstruyó como una pila de tres sándwiches, y otra de un perro en una bañera que se reconstruyó como una cabra de un color similar dentro de una bañera.
Pero representan el estado del arte. En una prueba comparativa, se constató que la herramienta era mucho mejor que las descritas anteriormente. «En conjunto, la verdad es que superamos a las demás por un margen significativo», afirma Irani. «Leer la mente» es un nombre «simpático y llamativo» para lo que están haciendo, añade.
Ahora, Irani planea ir más allá de las imágenes y dar el salto al vídeo y al audio. Quiere ser capaz de reconstruir lo que la gente piensa o imagina, así como el contenido de sus sueños. «Eso es algo que todavía no tenemos», afirma. «Pero nos estamos esforzando por conseguirlo».
Una herramienta de este tipo podría permitir a personas «enclaustradas» y completamente paralizadas comunicarse únicamente mediante su actividad cerebral, afirma. También podría ayudar a los científicos a desentrañar algunos misterios persistentes sobre el funcionamiento interno de nuestra mente, como qué aspecto tienen los flashbacks del TEPT.
Avances como este suscitan inevitablemente dudas sobre la privacidad mental. ¿Y si algún actor malintencionado pudiera reconstruir los pensamientos o recuerdos de una persona?
«Si me hubieras preguntado eso hace 10 años, me habría reído mucho», afirma Sprague. Conseguir que una persona voluntaria se quede quieta en un escáner y colabore activamente en una investigación ya es bastante difícil; imagina obligar a alguien a hacerlo de manera involuntaria. Sin embargo, Irani y otros científicos trabajan en enfoques similares para decodificar la actividad cerebral a partir del EEG —mediciones de la actividad eléctrica cerebral obtenidas mediante un gorro de electrodos o incluso a través de auriculares—.
Y, a medida que los modelos mejoren, resultará aún más fácil analizar la actividad cerebral recopilada de esta forma. «Tenemos que tomarnos un poco más en serio las consideraciones éticas», afirma Sprague. Cree que el enfoque de Irani probablemente «funcionaría bastante bien» a la hora de predecir imágenes en las que una persona está pensando, pero que no está mirando.
El paso al EEG «cambiaría las reglas del juego», afirma Marcello Ienca, neurocientífico y filósofo de la Universidad Técnica de Múnich (Alemania). Una vez que un dispositivo de EEG se ha calibrado con el cerebro de un usuario, a las empresas les podría resultar relativamente fácil extraer información adicional del cerebro de esa persona, potencialmente sin su consentimiento. Ienca también se imagina que algunos tribunales lleguen a admitir las reconstrucciones de imágenes mentales como prueba legal.
«No tengo ninguna duda de que esta es, ya sabes, una investigación bienintencionada, pero creo que también resulta bastante obvio que podría ser cooptada para… usos comerciales ética y socialmente problemáticos», afirma.
Irani reconoce la posibilidad de un uso indebido del EEG. Pero, por ahora, no le preocupa. «Intento pensar solo en las cosas buenas», afirma.