Investigadores de IA decodifican pensamientos sin cirugía cerebral

Fuente: Geralt/Pixabay

Las capacidades avanzadas de reconocimiento de patrones del aprendizaje profundo de IA ofrecen un nuevo rayo de esperanza para la creación de una solución no invasiva que ayudaría a los pacientes que no pueden hablar debido a enfermedades neurodegenerativas o lesiones en el cerebro o la médula espinal. Un nuevo estudio realizado por investigadores afiliados a Meta AI muestra cómo el aprendizaje profundo de inteligencia artificial puede decodificar el habla a partir de grabaciones no invasivas de actividad cerebral, un paso adelante para proporcionar una alternativa a las soluciones que requieren cirugía cerebral abierta invasiva para implantar dispositivos de interfaz cerebro-computadora.

"Descifrar el lenguaje a partir de la actividad cerebral es un objetivo largamente esperado tanto en el cuidado de la salud como en la neurociencia", escribió el equipo de investigación de Alexandre Défossez, Charlotte Caucheteux, Jérémy Rapin, Ori Kabeli y Jean-Rémi King. “Recientemente se han alcanzado hitos importantes gracias a los dispositivos intracraneales: las canalizaciones específicas del sujeto entrenadas en respuestas cerebrales invasivas a tareas básicas del lenguaje ahora comienzan a decodificar de manera eficiente características interpretables (por ejemplo, letras, palabras, espectrogramas). Sin embargo, escalar este enfoque al habla natural y las grabaciones cerebrales no invasivas sigue siendo un gran desafío”.

Para abordar este desafío, los investigadores de Meta AI utilizaron el aprendizaje profundo de IA, específicamente una red neuronal convolucional (RNC), para ayudar a decodificar la actividad cerebral utilizando datos capturados sin necesidad de cirugía cerebral abierta. El algoritmo de aprendizaje profundo fue un modelo autosupervisado preentrenado de código abierto llamado wav2vec 2.0 desarrollado en 2020 por el equipo de inteligencia artificial de Facebook (ahora Meta) de Alexei Baevski, Henry Zhou, Abdelrahman Mohamed y Michael Auli.

El estudio recopiló datos de 169 participantes sanos que escuchaban pasivamente audiolibros y oraciones en sus idiomas nativos, ya sea inglés u holandés, mientras su actividad cerebral se registraba de forma no invasiva con magnetoencefalografía (MEG) o electroencefalografía (EEG). Luego, estos datos se usaron como entrada en un modelo de IA para buscar patrones en los datos de alta dimensión. El objetivo es que la IA prediga lo que los participantes del estudio estaban escuchando a partir de los escáneres cerebrales no invasivos de su actividad neuronal.

Los investigadores encontraron que el algoritmo funcionó mejor con los conjuntos de datos MEG que con los conjuntos de datos EEG. Para los conjuntos de datos MEG, el modelo predijo una precisión entre los 10 primeros de hasta el 72.5 por ciento a partir de tres segundos de actividad cerebral de más de 1,590 segmentos distintos. El algoritmo de IA superó la línea de base aleatoria en la decodificación de conjuntos de datos de EEG, pero solo alcanzó el 19.1 % de más de 2,600 segmentos.

En cuanto al impacto social, el investigador de Meta AI advierte: “Aunque estos resultados son muy prometedores para el desarrollo de un sistema seguro y escalable para ayudar a los pacientes con déficits de comunicación, la comunidad científica debe permanecer atenta a que no se adaptará para decodificar el cerebro. señales sin el consentimiento de los participantes”.

Los investigadores de IA también señalan que, a diferencia de otros biomarcadores, como los rasgos faciales, el ADN y las huellas dactilares, las grabaciones de actividad cerebral de EEG y MEG no se pueden recopilar sin que un participante lo sepa.

Derechos de autor © 2022 Cami Rosso Todos los derechos reservados.