Del concepto a la neurona: la IA de sello berciano que predice cómo reacciona el cerebro

Observar la reacción eléctrica de la mente humana ante una fotografía o un texto sin necesidad de colocar electrodos en la cabeza ya es una realidad. Concept2Brain, el innovador modelo de Inteligencia Artificial (IA) creado por el berciano Alejandro Santos-Mayo, logra predecir y generar señales electroencefalográficas (EEG) sintéticas a partir de estímulos visuales o textuales. El proyecto, que une la vanguardia de la IA con la neurociencia moderna, promete transformar la forma en que se estudia la mente humana y ha sido publicado en la revista científica Nature Communications.

«La idea de Concept2Brain es generar y simular datos sintéticos de electroencefalografía de 88 personas al visualizar estímulos visuales y textuales. En neurociencia, usualmente, cuando se va a realizar un proyecto se necesita recoger datos y esto supone un desembolso económico elevado para adquirir un gorro de EEG. En segundo lugar, necesitas gente voluntaria que se preste a ser grabada. Por último, el propio investigador tiene que estar presente, lo que supone muchas horas. Una investigación habitual puede requerir meses en la recolección de datos y varios miles de euros. La idea con Concept2Brain es reducir este coste y ofrecer una herramienta tanto a investigadores como a otros profesionales de la economía, el marketing o la política para comprender cómo un mensaje o un estímulo impactan en el cerebro y ver cómo esas respuestas responden a sus preguntas. De este modo, se pueden establecer hipótesis claras antes de realizar el desembolso económico», explica Alejandro Santos-Mayo, líder de la investigación.

El sistema conecta la información del exterior con las respuestas del cerebro a través de dos pasos clave: un traductor de conceptos (CLIP de OpenAI) que lee la imagen o el texto y traduce su significado a un lenguaje informático, y un generador de ondas cerebrales (cVAE) que convierte esos datos digitales en patrones de actividad cerebral idénticos a los de una persona real.

«Concept2Brain se compone de dos bloques principales. El primero utiliza un modelo de OpenAI llamado CLIP, que analiza la información de una fotografía o texto en un espacio multidimensional. Los humanos podemos visualizar tres dimensiones (x, y, z) e imaginar un punto en una ubicación concreta dentro de ellas. Si pudiésemos imaginar 512 dimensiones, lo que hace CLIP es posicionar un estímulo (por ejemplo, la imagen de una jirafa) en un punto exacto definido por 512 variables. La segunda parte corresponde a la arquitectura de Autoencoder Variacional (cVAE) que hemos creado con los datos de EEG, la cual realiza un proceso similar. Lo que hacemos es comprimir toda la señal de EEG en un espacio de 256 variables; es decir, volvemos a generar un mapa multidimensional y ubicamos la actividad electrofisiológica en ese espacio reducido. Una vez posicionados ambos datos, tendemos un puente entre el primer espacio (el modelo CLIP de OpenAI con la imagen procesada) y el segundo (el espacio electrofisiológico que representa cómo el cerebro procesa esa imagen). Cuando el modelo está entrenado, al introducir nuevas imágenes es capaz de cruzar ese mismo puente para estimar cuál sería la respuesta eléctrica del cerebro ante esa fotografía», detalla Santos-Mayo.

Para lograrlo, el equipo se apoyó en los datos de EEG de 88 voluntarios. «En neurociencia es fundamental comprender las variables interindividuales, ya que al examinar una resonancia magnética podemos comprobar que la morfología de la corteza cerebral varía significativamente entre personas, lo que provoca respuestas neurobiológicas distintas. Por ejemplo, cuando proyectamos una imagen, ese estímulo visual puede llegar a la corteza visual (ubicada en la zona occipital) a los 70-80 milisegundos en una persona, mientras que en otra puede tardar entre 100 y 120 milisegundos. Esta variabilidad dificulta los estudios. Aunque la idea de construir un ‘supercerebro promedio’ resulta útil en muchas ocasiones, también nos hace perder información clave, pues la variabilidad siempre aporta valor. Esos datos individuales son esenciales para realizar análisis estadísticos precisos y comprender a fondo las diferencias en las respuestas cerebrales», especifica.

Limitaciones y futuro

A pesar de ser una simulación, las señales generadas coinciden con datos reales de humanos en un nivel de correlación superior a 0,6 y respetan las diferencias particulares de cada persona, ya que el modelo está entrenado con datos reales extraídos de grandes bases de datos biológicas (THINGS-data, imágenes afectivas IAPS, caras KDEF y pruebas con 88 observadores). La herramienta está disponible a través de una web pública y gratuita que permite ver las respuestas en gráficos 3D, consultar líneas de tiempo y descargar datos en formato MATLAB. «Se trata de una plataforma en la nube totalmente abierta que no exige ningún requisito de hardware ni de software para el usuario. Normalmente, en el ámbito científico, estos avances suelen quedarse almacenados en repositorios como GitHub u otros similares; nosotros no queríamos que fuese una herramienta relegada a la espera de que alguien la utilizase y tuviese que instalar previamente una serie de programas. Por ello, hemos creado una plataforma web a la que todo el mundo puede acceder de forma gratuita y probarla para simular la actividad eléctrica estimada tanto en un solo sujeto como en 88. Dada su accesibilidad, esperamos que las universidades puedan utilizarla con fines educativos para comprender mejor qué es un EEG y analizar las diferencias según el tipo de estímulo visual. Por ejemplo, al observar imágenes con rostros, se puede apreciar cómo la corteza occipital muestra una menor activación», avanza Mayo.

Dada su vocación de democratizar la ciencia, el investigador espera que «investigadores de diversas áreas, aunque no cuenten con los recursos o los conocimientos técnicos necesarios para ejecutar el modelo desde cero, puedan beneficiarse de ella». «A nivel educativo es una fuente de simulación de datos para tener ejemplos con los que trabajar, visualizarlos en tres dimensiones y comprender las diferencias entre contenidos diversos. A nivel de marketing también se puede utilizar para observar las dinámicas de los consumidores; en política, para entender el impacto neuronal de los mensajes y ver cuál genera una mayor llamada de atención; y en el campo de la neurociencia, para estimar cuál sería el número necesario de sujetos para poder desarrollar una investigación. Antes de embarcarnos en un nuevo proyecto se puede hacer una estimación viable para el estudio», recalca el experto. A pesar de los buenos resultados, los investigadores son cautos y reconocen que existen dos limitaciones principales respecto al proyecto. «En primer lugar, dado que el modelo genera respuestas de EEG a partir de estímulos visuales (la presentación de imágenes), su rendimiento es superior ante una fotografía que ante un texto simple. Por muy detallado que sea un texto, este carece de la riqueza y el grado de detalle visual directo. En segundo lugar, nuestro modelo está entrenado con los datos de 88 voluntarios humanos que visualizaron un total de 360 imágenes distintas, una cifra que puede resultar insuficiente para abarcar toda la realidad y la inmensidad del espacio conceptual existente. Por ello, el modelo puede experimentar dificultades para interpretar un estímulo que no haya procesado previamente. Sin embargo, construir esa base de datos no fue una tarea sencilla, sino el resultado del esfuerzo de muchos meses. De cara al futuro, esperamos seguir ampliándola con nuevas bases de datos para continuar reentrenando y perfeccionando el modelo», señala.

Mirando al futuro, el experto considera que «para establecer conclusiones sólidas siempre debemos basarnos en la evidencia empírica; necesitamos recolectar datos reales que permitan validar las hipótesis». No obstante, reconoce que «en el futuro veremos cada vez más una combinación de datos simulados y reales para estimar análisis». «Las simulaciones serán un gran apoyo, pero jamás sustituirán a la experimentación real a la hora de ofrecer conclusiones definitivas. Por otra parte, dado el elevado grado de complejidad del cerebro, su estudio dependerá cada vez más de la IA—especialmente para comprender la actividad neuronal y la consciencia— a través de herramientas no lineales y multivariadas como el deep learning y las redes neuronales. Si bien en sus inicios esta se nutrió profundamente de la neurociencia —desde que Ramón y Cajal descubrió que el sistema nervioso está formado por células individuales organizadas en redes—, hoy la IA ha evolucionado exponencialmente. Ahora es la neurociencia cognitiva la que debe seguir avanzando apoyándose en ella», expone Alejandro Santos-Mayo.

«Nos gustaría que este proyecto continuase vivo para seguir entrenándolo con mejores datos. Creemos que puede servir para impulsar nuevos enfoques en la neurociencia y transformar la forma en que investigamos la actividad cerebral. Además, permite analizar grandes volúmenes de datos cuya gestión antes era impensable y facilita la búsqueda de patrones cerebrales», concluye.