✨︎ Resumen (TL;DR):
- Brain-IT reconstruye imágenes usando actividad cerebral registrada mientras una persona las observa.
- Una hora de datos de un participante nuevo bastó para adaptar el modelo y obtener resultados comparables a métodos entrenados con 40 horas de registros.
- La prueba se apoyó en ocho adultos sanos, miles de escenas y una tarea visual realizada con fMRI.
El Instituto Weizmann de Ciencias desarrolló Brain-IT, un sistema de inteligencia artificial que reconstruye imágenes a partir de la actividad cerebral registrada mientras una persona las observa. En las pruebas, el equipo adaptó el modelo a un participante nuevo con una hora de datos y obtuvo resultados comparables a métodos entrenados con 40 horas de registros. El resultado se limita a estímulos visuales observados en condiciones experimentales.
Brain-IT es un sistema de inteligencia artificial que convierte los registros asociados con la observación de una escena en una reconstrucción visual. El método aprovecha lo aprendido de otros participantes: el equipo adapta las representaciones de las señales cerebrales de la persona nueva y mantiene fijos los componentes compartidos del modelo, según el artículo científico.
La cifra de una hora corresponde a esa adaptación individual, no a todo el entrenamiento. El modelo parte de aprendizaje previo y de una base de registros que requirió muchas sesiones por participante. Por eso, la reducción del tiempo de escaneo personal depende de información reunida anteriormente.
Una hora para adaptar un modelo ya entrenado
El equipo no entrena el método desde cero para cada persona. Usa la hora de datos para ajustar las representaciones de la nueva persona y mantiene fijos los componentes compartidos que aprendió con otros participantes. En las pruebas, ese procedimiento produjo resultados comparables a métodos entrenados con 40 horas de registros.
El comunicado de Weizmann describe otra vía para ampliar el entrenamiento: un codificador predice la respuesta cerebral a imágenes adicionales y genera pares sintéticos para el reconstructor. Esas respuestas estimadas complementan los datos medidos.
Una base de 7 teslas y miles de escenas
La base experimental proviene del Natural Scenes Dataset (NSD), recopilado en la Universidad de Minnesota. Ocho adultos sanos observaron miles de escenas naturales en color durante 30 a 40 sesiones de resonancia magnética funcional. Mientras veían cada imagen, indicaban si ya la habían visto antes dentro del experimento.
Los registros se obtuvieron con un escáner de 7 teslas, una intensidad alta de campo magnético. Brain-IT utiliza esos registros asociados con la observación de imágenes como entrada para la reconstrucción.
La resonancia magnética funcional (fMRI) es una técnica de imagen que añade información sobre la actividad cerebral a la imagen estructural del cerebro. El Instituto Nacional de Imagen Biomédica y Bioingeniería de Estados Unidos, NIBIB, explica que esa activación se relaciona con un mayor consumo de oxígeno.
La resonancia convencional muestra estructuras del cerebro; la modalidad funcional añade información sobre su actividad. Brain-IT usa los registros tomados durante la tarea visual como entrada para generar su reconstrucción.
De la señal cerebral a la imagen
El sistema combina una vía que estima la disposición visual general con otra que identifica el contenido de la escena. Después, un modelo generativo de difusión usa ambas representaciones para producir la imagen final.
Los autores reconocen errores en el contenido y en los detalles finos. Una reconstrucción reconocible sigue siendo una estimación generada a partir de las señales registradas.
El alcance actual y el reto del video
El artículo científico apareció inicialmente en arXiv el 29 de octubre de 2025 y fue aceptado en ICLR 2026, una conferencia de investigación en inteligencia artificial. El Instituto Weizmann difundió el avance en un comunicado del 14 de septiembre de 2026.
El tamaño de la muestra delimita lo probado. Los datos del NSD proceden de adultos sanos y de una tarea visual concreta; extender el resultado a pacientes o a otras actividades cerebrales requiere evaluar esas condiciones por separado.
Michal Irani, responsable del laboratorio, plantea que reconstruir video presenta una dificultad temporal: cambian muchas imágenes por segundo, mientras que un registro de fMRI tarda alrededor de dos segundos. Por eso, el laboratorio presenta la lectura de sueños como una posibilidad futura, condicionada a superar esos obstáculos técnicos.
El laboratorio también trabaja en extender estos métodos a información auditiva. El resultado probado sigue limitado a estímulos visuales observados durante una fMRI y a una adaptación individual de una hora apoyada en aprendizaje previo.
