L’obiettivo è studiare meglio il cervello e, più avanti, forse aprire nuove possibilità di comunicazione per pazienti che non riescono a parlare. Il lavoro, presentato a settembre al congresso Cognitive Computational Neuroscience di New York e raccontato da MIT Technology Review, entra in un terreno affascinante ma delicato: quello dei decodificatori cerebrali. Non macchine che “leggono i pensieri”, almeno non in senso letterale, ma sistemi che provano a trasformare i segnali dell’attività neurale in immagini riconoscibili.
Da anni i neuroscienziati usano la risonanza magnetica funzionale, o fMRI, per osservare quali zone del cervello si accendono davanti a immagini, parole, stimoli visivi o persino immagini mentali. Il problema, finora, era la nitidezza. Nei sistemi più comuni ogni vòxel, cioè la più piccola unità misurata dallo scanner, copre circa tre millimetri cubi di tessuto cerebrale. Dentro possono esserci migliaia di neuroni. Il risultato, spesso, sono ricostruzioni sfocate, più simili a intuizioni che a immagini vere e proprie.
Il gruppo di Michal Irani è partito da dati pubblici raccolti con scanner ad alta risoluzione, dove ogni vòxel corrisponde a circa un millimetro cubo. In quei dati, otto persone erano state osservate mentre guardavano circa 9.000 immagini dentro apparecchiature fMRI più sensibili. Non un grande numero di volontari, quindi. Ma abbastanza, secondo i ricercatori, per addestrare un sistema più preciso rispetto a quelli usati finora.
Struttura, contenuto e immagini generate: come lavora il decodificatore
Il nuovo decodificatore cerebrale si basa su due componenti principali, ciascuna con un compito diverso. La prima prova a ricostruire la struttura dell’immagine: la disposizione generale delle forme, dei colori, degli elementi nella scena. La seconda cerca invece di capire il contenuto, cioè se l’immagine mostri, per esempio, un animale, del cibo, un oggetto o una scena sportiva.
Queste informazioni finiscono poi in un modello di diffusione, una tecnologia simile a quella usata dai sistemi di intelligenza artificiale generativa per creare immagini e video. Il modello parte da pixel casuali e, un passaggio dopo l’altro, li ripulisce fino a ottenere una figura coerente con l’attività cerebrale registrata. È qui che arriva il salto di qualità: il sistema non restituisce una fotografia identica a quella vista dalla persona, ma una ricostruzione visiva che, nei confronti con altri strumenti descritti in letteratura, risulta molto più vicina allo stimolo originale.
Per aumentare la quantità di dati a disposizione, il team ha usato anche un codificatore, cioè un modello che fa il percorso inverso: data un’immagine, prova a prevedere quale attività cerebrale potrebbe provocare. Codificatore e decodificatore sono stati poi addestrati insieme, in un ciclo ripetuto migliaia di volte. Irani ha spiegato a MIT Technology Review che circa il 70% dei dati di addestramento arrivava da immagini mai mostrate davvero a una persona dentro uno scanner.
Meno dati per ogni persona: perché un’ora di calibrazione può cambiare la ricerca
Uno degli aspetti più interessanti riguarda il tempo necessario per adattare il sistema a una nuova persona. Strumenti simili richiedevano fino a 40 ore di dati fMRI per ogni soggetto prima di produrre previsioni affidabili. Il nuovo codificatore cerebrale universale, secondo il gruppo del Weizmann, può invece funzionare con circa un’ora di calibrazione.
La differenza non è solo pratica. È anche economica. Tommy Sprague, neuroscienziato dell’Università della California a Santa Barbara, non coinvolto nello studio, ha osservato che “nessuno di noi può permettersi 40 ore di imaging per un nuovo soggetto”. Ogni ora di scansione, ha ricordato, può costare tra 600 e 1.000 dollari. Meno tempo nello scanner significa più esperimenti possibili, gruppi di studio più ampi, prove meno pesanti per chi partecipa. E, forse, risultati più facili da controllare.
L’incrocio tra dati raccolti in studi diversi ha permesso anche di individuare alcune aree cerebrali con risposte simili tra persone diverse. Una regione sembrava reagire spesso alle immagini di cibo, un’altra a quelle legate allo sport. Irani, che ha una formazione in informatica, sta ora lavorando con neuroscienziati per capire se questi strumenti possano dire qualcosa di nuovo sul funzionamento del cervello, oltre alla semplice ricostruzione delle immagini.
Promesse e limiti: pazienti locked-in, sogni ed errori ancora evidenti
Le possibili applicazioni sono molte, ma vanno maneggiate con cautela. Irani ha citato, tra gli scenari futuri, l’aiuto a persone con sindrome locked-in, o sindrome dell’enclaustramento: pazienti coscienti, ma incapaci di comunicare attraverso il linguaggio o il movimento. Un sistema in grado di tradurre segnali cerebrali in contenuti visivi potrebbe offrire, un giorno, un canale in più. Non subito, però.
Un altro campo evocato dai ricercatori è la ricostruzione dei sogni. È un tema che attira molta attenzione, ma resta lontano da un uso normale. Le scansioni fMRI sono ingombranti, costose, poco adatte al sonno naturale e misurano l’attività neurale in modo indiretto, attraverso il flusso di sangue ossigenato. Il cervello, poi, non registra immagini come una videocamera. Lavora per associazioni, frammenti, memoria, emozioni. Trasformare tutto questo in pixel resta una sfida enorme.
Gli stessi risultati mostrano ancora errori evidenti. Irani ha presentato casi in cui una torta veniva ricostruita come una pila di tre sandwich, mentre un cane in una vasca da bagno diventava una capra di colore simile. Dettagli non da poco, perché segnano il confine tra una ricostruzione plausibile e una lettura davvero affidabile dell’esperienza visiva. Il passo avanti c’è. La “lettura della mente”, per ora, resta soprattutto una formula giornalistica.
