Un equipo de investigadores de la Escuela Politécnica Federal de Lausana (EPFL) en Suiza está desarrollando un nuevo enfoque en el diseño de prótesis visuales mediante la implementación de modelos avanzados de inteligencia artificial. Esta innovación tecnológica tiene como objetivo predecir con exactitud las zonas del cerebro donde la estimulación eléctrica puede evocar imágenes concretas, lo que representa un avance significativo para las personas que padecen ceguera total e irreversible.
El proyecto se centra en la restauración de la visión a un nivel funcional. A diferencia de los intentos previos, el objetivo actual es permitir que el usuario pueda distinguir elementos esenciales de su entorno cotidiano, tales como rostros humanos, casas y diversos objetos. Hasta el momento, los resultados preliminares indican que la tecnología ha superado satisfactoriamente las etapas experimentales en modelos animales, lo que prepara el terreno para futuras aplicaciones en seres humanos.
El desarrollo de esta tecnología es impulsado por el NeuroAI Lab de la EPFL, bajo la dirección de los científicos Martin Schrimpf y Johannes Mehrer. El equipo partió de la necesidad clínica de millones de personas con déficits visuales que no pueden ser reparados mediante cirugías convencionales. En estos casos, donde la retina o el nervio óptico no pueden intervenir, la solución reside en las prótesis corticales, que consisten en electrodos implantados directamente en la corteza visual del cerebro.
Históricamente, estas prótesis presentaban limitaciones severas. Al estimular regiones cerebrales de nivel bajo, solo conseguían que el paciente percibiera destellos de luz o símbolos básicos, siendo incapaces de generar representaciones visuales complejas. Para resolver este problema, el equipo de la EPFL diseñó una red neuronal artificial topográfica. Este modelo es capaz de simular diversos patrones de estimulación en las áreas visuales de alto nivel del cerebro, que son precisamente las encargadas de procesar objetos con significado y complejidad.
Una de las claves del éxito de este método es el uso de simulaciones computacionales. Gracias a ellas, los científicos han podido probar múltiples combinaciones de imágenes y patrones de estimulación, optimizando el proceso de manera eficiente. Este enfoque digital evita la necesidad de realizar experimentos in vivo prolongados y costosos, acelerando la búsqueda de la combinación ideal entre una imagen específica y el patrón de estimulación necesario para que el cerebro represente dicho objeto.
Martin Schrimpf ha señalado que el sistema ha demostrado ser bastante eficiente al predecir qué patrones producían un efecto sólido en la conducta visual durante los ensayos realizados con monos en Ámsterdam. En estas pruebas, el proceso consistió en presentar imágenes a animales con visión y, mediante la estimulación cortical guiada por la inteligencia artificial, distorsionar la percepción original de manera predecible. De esta forma, los investigadores lograron moldear la representación del estímulo visual dentro del cerebro del animal.
Este logro marca una diferencia fundamental respecto a los métodos anteriores, ya que permite inducir la percepción de objetos complejos, como un automóvil o una casa, superando la barrera de los símbolos simples. No obstante, los investigadores aclaran que el modelo actual no puede crear la percepción de un objeto desde cero; requiere de un estímulo visual inicial para funcionar. El siguiente objetivo del proyecto es lograr que una persona pueda percibir un objeto significativo incluso cuando sus ojos no proporcionen ninguna imagen utilizable.
El funcionamiento de este modelo de IA se basa en la simulación computarizada de la respuesta de distintas zonas cerebrales a la estimulación eléctrica. Esta metodología permite realizar miles de pruebas virtuales en cortos periodos de tiempo y a bajo costo, facilitando el perfeccionamiento de la tecnología antes de avanzar hacia los ensayos clínicos humanos.
A pesar de los avances, las prótesis visuales corticales aún enfrentan desafíos técnicos considerables. Uno de los mayores obstáculos es el hardware, ya que se requiere una gran cantidad de electrodos para estimular diversas regiones cerebrales simultáneamente, pero el espacio y la capacidad de implantación en una zona específica son limitados. Esta restricción limita la complejidad de las imágenes que pueden evocarse.
Asimismo, existe el reto de determinar con precisión dónde y cómo estimular las áreas superiores del cerebro. Estas regiones, aunque procesan información visual compleja, son menos accesibles y menos comprendidas que las áreas de bajo nivel. El modelo de IA de la EPFL ayuda a mitigar esta dificultad al identificar patrones de estimulación más predecibles y efectivos.
Aunque los resultados en primates con implantes previos son prometedores, la transición a humanos implicará superar diversas barreras técnicas, regulatorias y éticas. Aun así, el equipo de la EPFL confía en que este enfoque sentará las bases para una nueva generación de prótesis visuales que permitan a las personas ciegas reconocer objetos concretos, devolviéndoles una visión con utilidad práctica en su vida diaria.
