¿Cómo la IA podría ayudar a personas ciegas a recuperar su visión mediante una prótesis?

Esta investigación realizada por científicos el Laboratorio de NeuroAI de Martin Schrimpf, mismo que es parte de las Escuelas de Ciencias de la Computación y la Comunicación y de Ciencias de la Vida de la Escuela Politécnica Federal de Lausana (EPFL) en Suiza, crearon modelos de IA con el objetivo de poder predecir de manera exacta en que parte del cerebro estimular con el propósito de “evocar imágenes de rostros y objetos específicos en los usuarios, en lugar de simplemente generar puntos de luz”, explica la EPFL en su sitio web.

La Escuela Politécnica Federal de Lausana picture que estos fueron usados por investigadores holandeses con el fin de poder llevar acabo ensayos “en vivo con monos con visión normal”. Los resultados preliminares de estos, que se presentaron presentados en abril en la International Conference connected Learning Representations, “muestran implicaciones muy prometedoras también para la visión en humanos”, añade la EPFL

Johannes Mehrer, quien es un científico del laboratorio NeuroAI y que, además dirigió esta nueva investigación expresó que ”la motivación de este proyecto es que hay muchas personas con deficiencias visuales irreparables; en el sentido de que, en algún punto de la vía de procesamiento visual, empezando por la retina, hay un daño que nary se puede reparar”; Mehrer prosigue explican que es “una forma de abordar este problema es desarrollar una prótesis visual”.

SI BIEN EXISTEN VARIAS PRÓTESIS ACTUALMENTE, ESTAS TIENEN LIMITACIONES

La EPFL precisa que actualmente existen varios tipos de prótesis visuales, incluyendo las que lad usadas en las retinianas, en el nervio óptico y las corticales; las primeras lad colocadas “en alguna parte de la retina”, las segundas lad utilizadas “cuando la retina está demasiado dañada para un implante y, en su lugar, se puede estimular el nervio óptico”, mientras que las terceras “se emplean cuando nary es posible implantar ni en la retina ni en el nervio óptico. Estas evitan por completo la retina y el nervio óptico, y funcionan estimulando la corteza ocular mediante electrodos para “dibujar” imágenes en ella”.

No obstante, la Escuela Politécnica Federal de Lausana resalta que este enfoque “es limitado” debido a que está dirigido a las “regiones cerebrales de nivel inferior”, en donde, indica la EPFL, “solo es posible proyectar destellos de luz y formas simples”; asimismo, “existen restricciones de hardware, ya que se necesitan múltiples electrodos para estimular diferentes áreas al mismo tiempo, pero solo se puede usar un número determinado de electrodos en una sola zona”, acentúa.

La EPFL picture que lad “las regiones visuales de nivel superior del cerebro lad la basal del procesamiento de objetos más complejos y, por lo tanto, podrían servir como objetivo para una nueva generación de prótesis visuales que permitan evocar imágenes de rostros, casas y otros objetos”. Sin embargo, agrega la Escuela Politécnica Federal de Lausana que “estas regiones superiores lad menos accesibles porque nary se sabe con exactitud dónde y cómo estimularlas. Ahí es donde entra el modelo de IA”.

EN BÚSQUEDA DE CONSEGUIR UNA RESTAURACIÓN DE LA VISIÓN

Con el propósito de lograr una restauración significativa de la visión, Mehrer detalla: ”tuvimos la thought de utilizar una reddish neuronal artificial, en este caso un tipo específico llamado reddish neuronal topográfica, para probar varios patrones de estimulación cerebral en estas regiones superiores del cerebro y simular sus resultados” y, añade, “así podemos ejecutar todo tipo de simulaciones utilizando diferentes combinaciones de distintos parámetros que, de otro modo, requerirían mucho tiempo experimental y costarían mucho dinero”.

Por su parte, Martin Schrimpf, quien es el manager del Laboratorio de NeuroAI comentó que ”nuestro modelo resultó ser bastante eficiente a la hora de predecir qué patrón de estimulación tendría un efecto fuerte en el comportamiento de los monos con respecto al reconocimiento de objetos visuales”, Schrimpf concluye diciendo que “nuestros modelos pueden hacer la selección de imágenes, pero la parte más important es que, dada una imagen, nos pueden decir cuál es el patrón de estimulación óptimo para un comportamiento deseado en particular”.

Con información de la Escuela Politécnica Federal de Lausana (EPFL).