O uso da Intelixencia Artificial (IA) está a transformar o estudo e a comprensión dos sinais cerebrais. Con ese obxectivo, un equipo de investigación liderado polo Consello Superior de Investigacións Científicas (CSIC) describiu un conxunto de modelos de aprendizaxe automática para detectar e analizar mediante IA patróns de actividade cerebral. Os resultados publícanse na revista Communications Biology e enmárcanse nos proxectos DeepCode e NeuroSpark, financiados pola Fundación “a Caixa” baixo a dirección de Liset M. de la Prida, investigadora do CSIC no Instituto Cajal (IC-CSIC).
O estudo das oscilacións electroencefalográficas permitiu avanzar na comprensión da función cerebral. Un tipo destes ritmos, coñecidos como oscilacións rápidas ou ripples, conteñen trazas de memoria das experiencias vividas e vense afectadas en desordes neurolóxicas como a epilepsia e o alzhéimer. Por ese motivo considéranse un biomarcador. Pero estas oscilacións presentan diversas formas de onda e propiedades que non poden caracterizarse por completo con métodos espectrais.
No estudo empregáronse sinais electroencefalográficas obtidas en ratos de experimentación para o adestramento dun banco de modelos de IA co obxectivo de identificar patróns de actividade, concretamente oscilacións de alta frecuencia. “Testamos estes modelos usando datos de primates non-humanos, obtidos en colaboración co laboratorio de Kari Hoffman da Universidade de Vanderbilt nos EE.UU. (Nashville) como parte da iniciativa Brain Initiative. Os resultados mostran que é posible utilizar datos de roedores para adestrar algoritmos de IA que poidan ser usados en primates se se utilizan as mesmas técnicas de rexistro. E posiblemente, por tanto, tamén se poidan empregar en humanos”, explica De la Prida.
Este banco de modelos IA, que se desenvolveu a partir dun hackathon (evento no que os programadores compiten de forma colaborativa), foi posto ao dispor da comunidade científica mediante un software de acceso libre. Os modelos inclúen algunhas das arquitecturas de aprendizaxe supervisada máis coñecidas, como son os vectores de soporte, as árbores de decisión e as redes convolucionais. “Identificamos máis de cen modelos posibles nas diferentes arquitecturas que agora están dispoñibles para a súa aplicación ou readestramento por parte doutros investigadores”, comentan Andrea Navas Olivé e Adrián Rubio, primeiros autores do traballo.
Coa evolución das ferramentas de IA e as aplicacións no campo das neurotecnoloxías, os neurocientíficos teñen a esperanza de que se poida mellorar e estandarizar a detección de patróns críticos de actividade neuronal. “Este banco de modelos IA atopa aplicacións no ámbito das neurotecnoloxías e poden ser de moita utilidade na detección e análise de oscilacións de alta frecuencia en patoloxías como a epilepsia, onde se consideran marcadores clínicos, ou no alzhéimer, enfermidade na que se suxire que hai unha afectación similar”, conclúe De la Prida, que forma parte da conexión AI-HUB do CSIC destinada a avanzar o uso da IA e as súas aplicacións.
