Un paso más en la lectura del pensamiento

Unos científicos consiguen reconocer las palabras en las que piensan los individuos con un alto nivel de aciertos.

NEOFRONTERAS.COM


La velocidad a la que avanzan las neurociencias es tal que cuesta trabajo asimilar sus resultados y las implicaciones científicas, filosóficas, políticas y sociales que se derivan de ellos. Aunque hace solamente unos meses especulábamos desde esta web sobre la posibilidad de leer el pensamiento, esta posibilidad parece que ya se está materializando, apareciendo en el mundo real algo que hasta hace poco parecía de ciencia ficción.

Ahora unos científicos han dado un paso importante en la comprensión de cómo el cerebro humano codifica el significado de las palabras mediante la creación de un modelo computacional que puede predecir patrones de actividad cerebral asociados con los nombres de los objetos que el individuo puede ver, oír, sentir, oler o saborear.

En estudios previos se mostró que usando imágenes de resonancia magnética nuclear funcional (RMNF) se podían detectar qué áreas del cerebro se activan cuando una persona piensa en una palabra específica. El equipo de investigadores de Carnegie Mellon ha dado un paso más en la predicción de estos patrones de actividad para objetos percibidos por los sentidos.

El estudio podría eventualmente usarse en la identificación de pensamientos y podría tener aplicaciones en el estudio del autismo y otros desórdenes como la esquizofrenia paranoide, o en demencias semánticas como la enfermedad de Pick. El modelo puede ayudar también a resolver cuestiones sobre cómo el cerebro procesa las palabras y el lenguaje.

El equipo, dirigido por Tom M. Mitchell y Marcel Just, creó el modelo computacional usando patrones de actividad RMNF para 60 objetos y mediante el análisis estadístico de textos que totalizaban más de un billón de palabras. El modelo computacional combina esta información sobre cómo los nombres son usados dentro de un texto para predecir los patrones de actividad cerebral para miles de palabras concretas con un éxito relativo bastante bueno. Para lograrlo se asumió que el cerebro procesa las palabras basándose en cómo están relacionadas con la información motora y sensorial.

Mitchell cree haber identificado un determinado número de bloques constitutivos que son usados por el cerebro para representar significados. Gracias a los métodos computacionales que capturan el significado de las palabras por cómo son usadas en los archivos de texto, estos bloques pueden ser ensamblados para predecir patrones de activación neuronal para cada nombre en concreto. Los investigadores descubrieron que, para palabras concretas, las predicciones son bastante parecidas a los patrones reales obtenidos mediante RMNF disponibles. Es decir, fueron capaces de elaborar predicciones y comprobarlas experimentales, y por tanto podían saber, con cierto margen relativo de seguridad, en qué palabra pensó un determinado individuo.

Este modelo computacional proporciona pistas sobre la naturaleza del pensamiento humano. El cerebro representaría el significado concreto de un nombre en áreas del cerebro asociadas a cómo las personas sienten o manipulan el objeto real que les corresponde. Así por ejemplo, el significado de una manzana se representaría en áreas responsables del sabor, el olor y la sensación al masticar. Una manzana sería pues lo que haces con ella. Este estudio representa un paso más en la comprensión de este código cerebral.

Recordemos que los nombres o palabras que estudia este modelo en concreto corresponden a objetos que pueden ser percibidos por los sentidos. Las palabras abstractas quedan fuera de esta categoría.

Además de esta representación en áreas motoras y sensoriales del cerebro, los investigadores encontraron actividad significativa en otras áreas, que incluyen las áreas frontales asociadas con funciones relacionadas con la planificación y con la memoria a largo plazo. Cuando alguien piensa en una manzana, por ejemplo, se disparan recuerdos de la última vez que el individuo en cuestión se comió una manzana o se inician pensamientos sobre cómo obtener una manzana.

Todo esto, según los autores, sugiere una teoría del significado basada en la función cerebral.

En el estudio nueve sujetos, de los que se obtenían imágenes RMNF, se tenían que concentrar en 60 nombres diferentes de 12 categorías semánticas diferentes que incluían animales, partes del cuerpo, edificios, ropa, insectos, vehículos, vegetales, etc.

A la hora de construir el modelo computacional los investigadores usaron técnicas de autoaprendizaje informático para analizar los nombres que aparecían en textos, que totalizaban un billón de palabras, y que constituyen el corpus de uso típico de la lengua inglesa. Para cada nombre calcularon su frecuencia de aparición simultánea con cada uno de los 25 verbos asociados con funciones motoras y sensoriales (ver, oír, escuchar, oler, comer, empujar, conducir, levantar, etc.). Esta tarea se realiza rutinariamente en lingüística computacional para caracterizar el uso de las palabras.

Estos 25 verbos parecen ser los bloques básicos que usa el cerebro para representar el significado de este tipo de palabras.

Usando información estadística para analizar los patrones de actividad cerebral que tenían los voluntarios durante la prueba para las 60 palabras de estímulo, los investigadores fueron capaces de determinar cómo su aparición simultánea con cada uno de los 25 verbos considerados afectaba la actividad de cada voxel (volumen tridimensional elemental) de las imágenes de RMNF.

Para predecir los patrones de actividad para cada palabra en concreto contenida los textos de referencia, el modelo computacional determinaba la aparición simultánea de un nombre junto a los 25 verbos básicos y reconstruía un mapa de actividad basado en esos datos. El modelo era capaz de predecir patrones para miles de palabras.

El modelo computacional fue entrenado con los datos de patrones de actividad de los nueve voluntarios basados en 58 de las 60 palabras estímulo. Para la comprobación experimental del modelo se pidió al sistema computacional que predijera el patrón para los otros 2 casos restantes de los que ya se disponía de los patrones de actividad reales. El porcentaje de éxito se situó en torno al 77 por ciento.

El modelo demostró su capacidad de predecir patrones de actividad incluso en áreas semánticas para las que no fue entrenado. Se volvió a entrenar al modelo, pero solamente para palabras correspondientes a 10 de las 12 categorías semánticas, probándose posteriormente para palabras pertenecientes a esas dos categorías. Por ejemplo, se eliminaban las categorías de vehículos y vegetales, y se probaba el modelo para las palabras avión y apio. En este caso el porcentaje de éxito bajaba a un 70%, pero todavía estaba por encima del 50%.

Resumiendo, este estudio muestra un método que permite leer un conjunto muy grande de pensamientos a partir de la actividad cerebral con una eficacia superior a 3 de 4, incluso cuando hay pocos datos de calibración.

Aunque ahora sólo se pueden leer palabras sueltas, la lectura de frases no estaría muy lejos. Los investigadores pueden tomar a estos nombres como el andamio con el que empezar a comprender cómo el cerebro usa varias palabras y las ensambla en frases. Para el futuro los investigadores planean estudiar los patrones de actividad para combinaciones adjetivo-nombre, frases preposicionales y frases simples. Esperan además estudiar cómo el cerebro representa nombres y conceptos abstractos.