Por Pesach Benson • 14 de outubro de 2026
Jerusalém, 14 de outubro de 2026 (TPS-IL) — Pesquisadores israelenses desenvolveram um modelo de inteligência artificial que reconstrói imagens a partir da atividade cerebral usando cerca de uma hora de exames cerebrais de um novo participante, ao mesmo tempo que identifica divisões funcionais anteriormente desconhecidas em regiões cerebrais envolvidas no processamento visual.
O modelo, chamado Brain-IT, foi desenvolvido por uma equipe liderada pela Prof. Michal Irani no Instituto Weizmann de Ciência. Ao contrário dos sistemas existentes que exigem dezenas de horas de exames cerebrais para se adaptar a uma nova pessoa, o Brain-IT identifica padrões compartilhados entre diferentes pessoas, permitindo-lhe reconstruir imagens com maior precisão e menos treinamento.
Além de reconstruir imagens, a tecnologia pode ajudar os cientistas a entender como o cérebro organiza a informação visual. Também pode avançar o desenvolvimento de interfaces cérebro-computador que exigem menos treinamento, embora aplicações médicas práticas ainda estejam distantes.
“Existem atualmente modelos que traduzem a atividade cerebral em imagens, e eles podem até produzir reconstruções impressionantes que preservam razoavelmente bem o significado semântico da imagem”, disse Irani. “No entanto, eles tendem a cometer erros em características básicas como composição e cor.”
“O novo modelo que desenvolvemos supera-os na reconstrução tanto do conteúdo da imagem quanto dos seus detalhes”, acrescentou ela. “Além disso, enquanto todos os outros modelos exigem dezenas de horas de exames cerebrais para aprender a ‘ler’ uma nova pessoa, nosso modelo precisa de apenas uma hora.”
A pesquisa foi selecionada para apresentação este ano na International Conference on Learning Representations, uma conferência líder em inteligência artificial.
Ensinando IA a Ler o Cérebro
Um grande obstáculo neste campo é a escassez de dados de treinamento. Os pesquisadores precisam de imagens emparelhadas com exames de ressonância magnética funcional (fMRI), que medem as mudanças na atividade cerebral enquanto as pessoas visualizam imagens. Coletar tais dados requer que os participantes passem muitas horas em scanners de ressonância magnética.
O Natural Scenes Dataset, disponível publicamente e usado no estudo, contém cerca de 73.000 pares de imagem-exame de oito participantes, cada um dos quais visualizou milhares de imagens ao longo de 30 a 40 sessões de escaneamento.
Para superar essa limitação, a equipe desenvolveu dois sistemas complementares: um codificador que prevê a atividade cerebral a partir de uma imagem e um decodificador que reconstrói uma imagem a partir da atividade cerebral.
O codificador gerou exames cerebrais previstos para imagens que os participantes nunca haviam visualizado dentro de um scanner de ressonância magnética. O decodificador então tentou reconstruir essas imagens a partir das previsões, permitindo que os sistemas aprendessem com exemplos adicionais sem exigir novos exames para cada imagem.
Os pesquisadores dividiram o cérebro em aproximadamente 40.000 pequenas unidades tridimensionais chamadas voxels e compararam suas respostas a diferentes imagens entre os indivíduos. Isso revelou padrões recorrentes ligados a características visuais como cor, localização e objetos reconhecíveis.
O codificador identificou 128 regiões funcionais que eram compartilhadas entre as pessoas e pareciam desempenhar papéis específicos no processamento visual. Algumas já eram conhecidas pelos cientistas, enquanto outras eram novas.
Uma descoberta envolveu a área parahipocampal do lugar, uma região cerebral envolvida no processamento de lugares e cenas. Os pesquisadores encontraram evidências de uma divisão de trabalho dentro da região, com uma parte respondendo a cenas internas e outra a cenas externas.
“A força do codificador reside em sua capacidade de identificar regiões que realizam funções semelhantes em cérebros diferentes, mesmo quando suas localizações anatômicas diferem”, disse Irani.
A curto prazo, o Brain-IT pode ajudar os pesquisadores a estudar o processamento visual, reduzindo a necessidade de exames caros e demorados. Sua capacidade de identificar padrões compartilhados entre indivíduos também pode ajudar os cientistas a desenvolver interfaces cérebro-computador que exigem menos treinamento para se adaptar a novos usuários. Mais pesquisas são necessárias.
