Decodificando el Cerebro Visual
Investigadores de la Universidad College London han logrado un avance significativo en la decodificación neuronal al reconstruir clips de video que los ratones habían visto utilizando solo registros de actividad cerebral. El trabajo representa un paso importante hacia la comprensión de cómo el cerebro de los mamíferos procesa y codifica la información visual, con implicaciones para las interfaces cerebro-computadora y las terapias neurológicas.
El equipo utilizó técnicas avanzadas de imágenes de calcio para monitorear la actividad de miles de neuronas simultáneamente en la corteza visual de ratones mientras veían clips de video cortos. Al entrenar modelos de aprendizaje automático sobre la relación entre patrones de disparo neuronal y estímulos visuales, los investigadores pudieron generar reconstrucciones aproximadas de los videos originales solo a partir de datos cerebrales.
De Picos Neurales a Imágenes en Movimiento
El proceso de reconstrucción implicó dos etapas. Primero, los investigadores construyeron un modelo de codificación que predecía cómo las neuronas individuales responderían a diferentes características visuales como bordes, movimiento, contraste y patrones espaciales. Este modelo capturó las propiedades de sintonización de cada neurona registrada en toda la corteza visual.
En la segunda etapa, el equipo invirtió este modelo: alimentó la actividad neuronal registrada y trabajó hacia atrás para estimar qué entrada visual probablemente produjo esos patrones. Las reconstrucciones resultantes capturaron la estructura general, movimiento y patrones de brillo de los clips originales, aunque los detalles finos seguían siendo borrosos. Los objetos y movimientos eran reconocibles a nivel general, demostrando que se conserva información visual sustancial en la actividad neuronal a nivel de población.
Por Qué los Ratones son Importantes para esta Investigación
Si bien estudios anteriores han reconstruido imágenes e incluso videos de la actividad cerebral humana utilizando resonancia magnética funcional, el modelo de ratón ofrece ventajas distintas. La imágenes de calcio proporciona una resolución de una sola neurona que la fMRI no puede igualar, permitiendo a los investigadores estudiar las contribuciones precisas de células individuales y circuitos neurales al procesamiento visual.
Los ratones también permiten condiciones experimentales controladas y herramientas genéticas que no están disponibles en estudios humanos. Los investigadores podrían manipular precisamente qué neuronas se registraban, verificar sus hallazgos en múltiples animales y relacionar sus resultados con la extensa literatura existente sobre neurociencia visual de ratones.
Implicaciones para Interfaces Cerebro-Computadora
Los hallazgos tienen relevancia directa para el desarrollo de interfaces cerebro-computadora dirigidas a restaurar la visión en personas con ceguera o deficiencia visual. Comprender cómo se codifica la información visual a nivel neuronal es un requisito previo para construir sistemas protésicos que puedan decodificar la intención visual o entregar señales visuales artificiales al cerebro.
Las prótesis visuales actuales, como los implantes de retina, proporcionan solo visión rudimentaria con resolución limitada. Al demostrar que se puede extraer información visual rica de la actividad cortical, el trabajo de UCL sugiere que las prótesis corticales futuras podrían potencialmente proporcionar experiencias visuales de mucha mayor calidad.
El Aprendizaje Automático Impulsa el Avance
El éxito de la reconstrucción dependió mucho de las arquitecturas modernas de aprendizaje profundo. El equipo empleó redes neurales convolucionales entrenadas en conjuntos de datos visuales a gran escala para servir como antecedentes para el proceso de reconstrucción, esencialmente enseñando al algoritmo cómo se ven típicamente los videos naturales. Este conocimiento previo ayudó a llenar los detalles que los datos neurales solos no podían resolver.
El enfoque se basa en un cuerpo creciente de trabajo que combina neurociencia e inteligencia artificial. Los modelos computacionales del cerebro cada vez más toman prestadas técnicas de IA, mientras que los investigadores de IA se inspiran en circuitos neurales biológicos. Este cruce de polinización está acelerando el progreso en ambos campos.
Consideraciones Éticas y Direcciones Futuras
A medida que la tecnología de decodificación neuronal mejora, las preguntas sobre la privacidad mental y el consentimiento informado se vuelven más urgentes. Si bien las técnicas actuales requieren grabaciones cerebrales invasivas y condiciones de laboratorio controladas, la trayectoria de la tecnología plantea discusiones importantes sobre cómo se deben proteger y regular los datos cerebrales.
El equipo de UCL planea extender su trabajo a estímulos visuales más complejos, incluyendo escenas naturales e interacciones sociales, e investigar cómo cambia el procesamiento visual durante el aprendizaje y la formación de memoria. También tienen como objetivo mejorar la calidad de la reconstrucción al registrar poblaciones más grandes de neuronas en múltiples áreas cerebrales involucradas en el procesamiento visual.
Este artículo se basa en reportajes de Interesting Engineering. Lee el artículo original.
