Beyin aktivitesini görüntüye dönüştürmek, yıllardır nörobilim araştırmacılarının peşinde olduğu bir hedef. Son yıllarda bu alanda ciddi ilerlemeler kaydedildi; ancak yöntemlerin gerçek dünyada kullanılabilmesi için gereken veri miktarı hep bir sorun olarak kaldı. Her birey için ayrı ayrı eğitim yapılmasını gerektiren mevcut modeller, kişi başına düşen onlarca saatlik fMRI kaydıyla birlikte hem maliyetli hem de zaman alıcıydı.

MindEye2, bu problemi farklı bir stratejiyle aşıyor. Sistem önce yedi katılımcıdan elde edilen kapsamlı veriyle ortak bir model olarak eğitiliyor. Ardından yeni bir bireyin beyin verileri, doğrusal bir hizalama yöntemiyle bu paylaşımlı uzaya aktarılıyor. Böylece farklı bireylerin beyin aktivasyon örüntüleri ortak bir temsil alanında buluşturuluyor.

Teknik açıdan bakıldığında, sistem beyin verilerini önce CLIP adı verilen görsel-dilsel temsil uzayına, oradan da piksel uzayına taşıyor. Bu son adımda Stable Diffusion XL modelinin özelleştirilmiş bir versiyonu kullanılıyor; model metin yerine CLIP temsillerini girdi olarak kabul edecek şekilde yeniden düzenleniyor.

Sonuçlar dikkat çekici: Yalnızca 1 saatlik bireysel veriyle elde edilen görsel yeniden oluşturmalar, görüntü eşleştirme ve geri çağırma testlerinde güncel en iyi performansları yakalıyor, hatta bazı metriklerde aşıyor. Bu durum, modelin bireye özgü nöral örüntüleri sınırlı veriyle de öğrenebildiğini gösteriyor.

Gelecek açısından değerlendirildiğinde, bu yaklaşım beyin-bilgisayar arayüzlerinde kişiselleştirme maliyetini dramatik biçimde düşürme potansiyeli taşıyor. Felç sonrası iletişim desteğinden bilinç araştırmalarına kadar geniş bir uygulama yelpazesi için umut verici bir zemin hazırlıyor. Yine de bu teknolojinin klinik kullanıma taşınması için daha kapsamlı doğrulama çalışmalarına ihtiyaç duyulduğu belirtilmeli.