La inteligencia artificial está cada vez más cerca de leernos la mente

^{Primera fila: estímulo visual. Filas intermedias: el resultado de algoritmos previos. Última fila: el resultado de la IRMf con ayuda de la red neuronal. 
Changde Du et al. / arXiv.org, 2017}

Un equipo de investigadores del Research Center for Brain-Inspired Intelligence, en China, ha desarrollado un nuevo método para decodificar las imágenes visibles de la corteza visual del ser humano. Gracias a este avance, se puede saber, por la actividad cerebral, qué letra o número “piensa” el participante del experimento. El método está basado en el aprendizaje profundo de las redes neuronales sobre imágenes de resonancia magnética funcional (IRMf). De acuerdo a los autores, el nuevo acercamiento permite replicar imágenes de manera mucho más precisa que otros métodos conocidos. Una pre-impresión de la investigación está publicada en el servidor arXiv.org, con un resumen en MIT Technology Review. 

La corteza visual del cerebro es la encargada de procesar la información de la retina. Por su parte, la corteza visual primaria, la primera receptora de la información, está compuesta de 140 millones de neuronas en promedio. La principal dificultad de la investigación está en que la relación entre el estímulo visual y la actividad del cerebro carece de métodos que puedan analizar la actividad de las neuronas con rapidez y con alta resolución. Actualmente, uno de los métodos estándar para conseguir este objetivo es la IRMf. 

Este método permite determinar la actividad neuronal por las modificaciones en la circulación sanguínea del cerebro; y está asociado a un patrón simple: el aumento de la actividad de un grupo concreto de neuronas incrementa la circulación en el área equivalente del cerebro. Junto con la circulación, también se incrementa la cantidad de hemoglobina, las células portadoras de oxígeno. Esta hemoglobina posee propiedades diamagnéticas (expulsa los polos magnéticos), en contraste con las propiedades paramagnéticas (refuerza el polo magnético) de la desoxihemoglobina o hemoglobina reducida. Son precisamente estas variaciones en los polos magnéticos los que registra la IRMf.

Sin embargo, este método tiene sus inconvenientes. El primero, la concentración de hemoglobina se incrementa con cierto retraso (alrededor de 1 segundo) comparado con el incremento de la actividad neuronal. Además, IRMf analiza regiones cuyo tamaño es mayor a una neurona. Cada uno de sus vóxeles (“píxel cúbico”) incluye decenas y centenas de miles de neuronas. El segundo inconveniente está en la aplicación del método: existe mucho ruido en la información y una fuerte correlación no-lineal entre los vóxeles vecinos. 

Cuando se comparan los estímulos visuales (las imágenes que se revelan en el experimento) y la actividad de los vóxeles, se hace necesario tener en cuenta su relación no-lineal. Varios métodos de análisis previos ignoraron este aspecto, por ello, los autores del nuevo trabajo han puesto en práctica el aprendizaje profundo para considerar esta correlación y distinguirla de los ruidos de la lectura. 

^{Primera fila: estímulo visual. Filas intermedias: el resultado de algoritmos previos. Última fila: el resultado de la IRMf con ayuda de la red neuronal. 
Changde Du et al. / arXiv.org, 2017}

La base de datos para el entrenamiento de la red neuronal fue formada en base a la información de experimentos previos de otros grupos de investigación. Para ello, los científicos reunieron más de 1800 experimentos de IRMf que registraron el estado de la corteza visual en respuesta a la demostración de un estímulo visual, como números, letras o simples figuras geométricas. El 90% de esta información fue utilizada para el aprendizaje de la red neuronal y el 10% restante, para comprobar la metodología. 

^{Primera fila: estímulo visual. Filas intermedias: el resultado de algoritmos previos. Última fila: el resultado de la IRMf con ayuda de la red neuronal. 
Changde Du et al. / arXiv.org, 2017}

De acuerdo a los investigadores, este nuevo método permitirá obtener reconstrucciones visuales más precisas y con mayor contraste, en comparación a los métodos anteriores. 

Entre las futuras posibles aplicaciones de esta tecnología está la creación de una red neuronal entre el hombre y la máquina. Pero en el futuro próximo, el siguiente paso para el desarrollo de este método consistirá en el análisis de estímulos visuales más complejos y de imágenes en movimiento. Esta última perspectiva requerirá de la aplicación de redes neuronales recurrentes. Adicionalmente, de acuerdo a los autores, este mismo enfoque puede ayudar en la reconstrucción de otro tipo de información cerebral, como la auditiva y motora. 

Vladimiro Koroliev

Si te gustó esta noticia, entérate de más a través de nuestros canales de Facebook y Twitter.