Ni Pesach Benson • Oktubre 14, 2026

Jerusalem, Oktubre 14, 2026 (TPS-IL) — Nakabuo ang mga mananaliksik sa Israel ng isang artificial intelligence (AI) model na muling bumubuo ng mga imahe mula sa aktibidad ng utak gamit ang humigit-kumulang isang oras ng brain scans mula sa isang bagong kalahok, habang natutukoy ang mga dati nang hindi kilalang functional divisions sa mga rehiyon ng utak na kasangkot sa visual processing.

Ang modelo, na tinawag na Brain-IT, ay binuo ng isang pangkat na pinamumunuan ni Prof. Michal Irani sa Weizmann Institute of Science. Hindi tulad ng mga kasalukuyang sistema na nangangailangan ng dose-dosenang oras ng brain scans upang umangkop sa isang bagong tao, natutukoy ng Brain-IT ang mga pattern na ibinabahagi sa iba’t ibang tao, na nagpapahintulot dito na muling buuin ang mga imahe nang may mas mataas na katumpakan at mas kaunting pagsasanay.

Higit pa sa muling pagbuo ng mga imahe, ang teknolohiya ay maaaring makatulong sa mga siyentipiko na maunawaan kung paano inoorganisa ng utak ang visual na impormasyon. Maaari rin itong magpaunlad sa pagbuo ng mga brain-computer interface na nangangailangan ng mas kaunting pagsasanay, bagaman ang mga praktikal na aplikasyong medikal ay malayo pa rin.

“Mayroon nang mga modelo ngayon na nagta-translate ng aktibidad ng utak sa mga imahe, at maaari pa silang makagawa ng kahanga-hangang mga rekonstruksyon na nagpapanatili ng semantic meaning ng imahe nang medyo maayos,” sabi ni Irani. “Gayunpaman, madalas silang nagkakamali sa mga pangunahing tampok tulad ng komposisyon at kulay.”

“Ang bagong modelong binuo namin ay mas mahusay kaysa sa kanila sa pagbuo muli ng parehong nilalaman ng imahe at mga detalye nito,” dagdag niya. “Higit pa rito, habang ang bawat ibang modelo ay nangangailangan ng dose-dosenang oras ng brain scans upang matutunang ‘basahin’ ang isang bagong tao, ang aming modelo ay nangangailangan lamang ng isang oras.”

Ang pananaliksik ay napili para sa presentasyon ngayong taon sa International Conference on Learning Representations, isang nangungunang artificial intelligence conference.

Pagtuturo sa AI na Basahin ang Utak

Ang isang malaking balakid sa larangang ito ay ang kakulangan ng training data. Kailangan ng mga mananaliksik ang mga imahe na ipinares sa functional magnetic resonance imaging (fMRI) scans, na sumusukat sa mga pagbabago sa aktibidad ng utak habang ang mga tao ay tumitingin sa mga larawan. Ang pagkolekta ng ganitong data ay nangangailangan ng mga kalahok na gumugol ng maraming oras sa mga MRI scanner.

Ang publicly available Natural Scenes Dataset na ginamit sa pag-aaral ay naglalaman ng humigit-kumulang 73,000 pares ng imahe-scan mula sa walong kalahok, na bawat isa ay tumingin sa libu-libong mga imahe sa loob ng 30 hanggang 40 scanning sessions.

Upang malampasan ang limitasyong ito, bumuo ang pangkat ng dalawang komplementaryong sistema: isang encoder na humuhula ng aktibidad ng utak mula sa isang imahe at isang decoder na muling bumubuo ng isang imahe mula sa aktibidad ng utak.

Ang encoder ay lumikha ng mga hinulaang brain scan para sa mga imahe na hindi pa nakikita ng mga kalahok sa loob ng isang MRI scanner. Sinubukan ng decoder na muling buuin ang mga imaheng iyon mula sa mga hula, na nagpapahintulot sa mga sistema na matuto mula sa karagdagang mga halimbawa nang hindi nangangailangan ng mga bagong scan para sa bawat imahe.

Hinati ng mga mananaliksik ang utak sa humigit-kumulang 40,000 maliliit na three-dimensional units na tinatawag na voxels at inihambing ang kanilang mga tugon sa iba’t ibang mga imahe sa pagitan ng mga indibidwal. Ito ay nagbunyag ng mga paulit-ulit na pattern na nauugnay sa mga visual na tampok tulad ng kulay, lokasyon, at mga nakikilalang bagay.

Natukoy ng encoder ang 128 functional regions na ibinabahagi sa mga tao at lumilitaw na may mga tiyak na papel sa visual processing. Ang ilan ay kilala na ng mga siyentipiko, habang ang iba ay bago.

Ang isang natuklasan ay kinabibilangan ng parahippocampal place area, isang rehiyon ng utak na kasangkot sa pagproseso ng mga lugar at eksena. Nakakita ang mga mananaliksik ng ebidensya ng paghahati ng trabaho sa loob ng rehiyon, kung saan ang isang bahagi ay tumutugon sa mga indoor scene at ang isa naman ay sa mga outdoor scene.

“Ang lakas ng encoder ay nasa kakayahan nitong tukuyin ang mga rehiyon na gumaganap ng magkatulad na tungkulin sa iba’t ibang utak, kahit na magkaiba ang kanilang mga anatomical na lokasyon,” sabi ni Irani.

Sa malapit na hinaharap, ang Brain-IT ay maaaring makatulong sa mga mananaliksik na pag-aralan ang visual processing habang binabawasan ang pangangailangan para sa magastos at matagal na mga scan. Ang kakayahan nitong tukuyin ang mga pattern na ibinabahagi sa mga indibidwal ay maaari ding makatulong sa mga siyentipiko na bumuo ng mga brain-computer interface na nangangailangan ng mas kaunting pagsasanay upang umangkop sa mga bagong user. Kinakailangan ang karagdagang pananaliksik.