Madrid, 4 mar (EFE).- El uso de la Inteligencia Artificial (IA) está transformando el estudio y la comprensión de las señales cerebrales. Ahora, un equipo de investigadores ha descrito un conjunto de modelos de aprendizaje automático que permitirán detectar y analizar patrones de actividad cerebral mediante IA.
El estudio, cuyos resultados se han publicado en la revista ‘Communications Biology’, se enmarcan en los proyectos DeepCode y NeuroSpark, financiados por la Fundación «la Caixa», y dirigidos por la investigadora del CSIC en el Instituto Cajal, Liset M. de la Prida.
El estudio de las oscilaciones electroencefalográficas ha permitido avanzar en la comprensión de la función cerebral.
Un tipo de estas oscilaciones, las oscilaciones rápidas o ‘ripples’, contienen trazas de memoria de las experiencias vividas y se ven afectadas en desórdenes neurológicos como la epilepsia y el alzhéimer, por lo que se consideran un biomarcador.
Pero estas oscilaciones presentan diversas formas de onda y propiedades que no pueden caracterizarse por completo con métodos espectrales.
Para eso, utilizando señales electroencefalográficas obtenidas en ratones de experimentación, el equipo ha entrenado un banco de modelos de IA para identificar unos patrones de actividad denominados ‘oscilaciones de alta frecuencia’.
«Hemos testado estos modelos usando datos de primates no-humanos, obtenidos en colaboración con el laboratorio de Kari Hoffman de la Universidad de Vanderbilt en los EE.UU. (Nashville) como parte de la iniciativa Brain Initiative», explica De la Prida.
«Los resultados muestran que es posible utilizar datos de roedores para entrenar algoritmos de IA que puedan ser usados en primates si se utilizan las mismas técnicas de registro. Y posiblemente, por tanto, también se puedan emplear en humanos», sostiene la investigadora.
Este banco de modelos IA, que se ha desarrollado a partir un hackathon (una competición colaborativa entre programadores), ha sido puesto a disposición de la comunidad científica mediante un software de acceso libre.
Los modelos incluyen algunas de las arquitecturas de aprendizaje supervisado más conocidas, como son los vectores de soporte, los árboles de decisión y las redes convolucionales.
«Hemos identificado más de cien modelos posibles en las diferentes arquitecturas que ahora están disponibles para su aplicación o reentrenamiento por parte de otros investigadores», comentan Andrea Navas Olivé y Adrián Rubio, primeros autores del trabajo.
«Este banco de modelos IA encuentra aplicaciones en el ámbito de las neurotecnologías y pueden ser de mucha utilidad en la detección y análisis de oscilaciones de alta frecuencia en patologías como la epilepsia, donde se consideran marcadores clínicos, o en el alzhéimer, enfermedad en la que se sugiere que hay una afectación similar», concluye De la Prida. EFE
ecg/crf
