Científicos del Instituto Weizmann de Ciencias en Rejovot, Israel, desarrollaron un sistema de inteligencia artificial capaz de reconstruir imágenes a partir de escáneres cerebrales de alta resolución, con una precisión que supera significativamente los intentos previos en el campo de la neurociencia computacional.

El sistema opera mediante dos componentes complementarios: un decodificador que analiza la estructura y el contenido de la actividad cerebral registrada, y un codificador que predice cómo respondería el cerebro de una persona ante una imagen que aún no ha visto. Ambos modelos se entrenan de forma conjunta y retroalimentada, lo que permite refinar continuamente la calidad de las reconstrucciones. El resultado final pasa por un modelo de difusión —el mismo tipo de arquitectura que subyace a los generadores de imágenes por IA— que convierte patrones de actividad neuronal en representaciones visuales coherentes.

Datos de alta resolución como base del avance

La investigación utilizó conjuntos de datos públicos obtenidos de escáneres de resonancia magnética funcional (fMRI) de alta resolución, donde cada vóxel —la unidad mínima de medición— cubre aproximadamente un milímetro cúbico de tejido neuronal. Esto contrasta con los escáneres convencionales, donde cada vóxel abarca tres milímetros cúbicos, una diferencia que históricamente limitó la especificidad de los resultados. El conjunto de entrenamiento incluyó datos de ocho personas expuestas a cerca de 9,000 imágenes dentro del equipo de fMRI, y aproximadamente el 70% de esas imágenes nunca fueron vistas directamente por los participantes durante el escaneo.

El análisis cruzado de múltiples estudios permitió identificar patrones de respuesta cerebral compartidos entre distintos individuos, como las áreas que se activan de forma similar ante imágenes de alimentos o actividades deportivas. Este hallazgo abre la puerta a modelos más generalizables, no limitados a un solo sujeto.

Implicaciones clínicas y operativas

Desde una perspectiva de aplicación práctica, el sistema requiere apenas una hora de datos por persona para funcionar, lo que reduce considerablemente la barrera de entrada para su uso clínico. Entre las aplicaciones identificadas por la investigadora Michal Irani, quien lidera el proyecto, se encuentran la asistencia en la comunicación de personas con síndrome de enclaustramiento —condición en la que el paciente está consciente pero sin capacidad motora— y la posibilidad de reconstruir el contenido de los sueños.

Para las organizaciones que operan en los sectores de salud digital, interfaces cerebro-computadora o diagnóstico por imagen, este tipo de avance marca una inflexión en la viabilidad técnica de la decodificación neuronal a escala. La combinación de modelos generativos con datos de neuroimagen de alta resolución establece un precedente metodológico que otros equipos de investigación ya están comenzando a replicar y extender.