По сообщению Песаха Бенсона • 14 октября 2026 г.
Иерусалим, 14 октября 2026 г. (TPS-IL) — Израильские исследователи разработали модель искусственного интеллекта, которая реконструирует изображения по активности мозга, используя около одного часа сканирования мозга нового участника, при этом выявляя ранее неизвестные функциональные разделения в областях мозга, участвующих в зрительной обработке.

Модель под названием Brain-IT была разработана командой под руководством профессора Михаль Ирани в Институте науки Вейцмана. В отличие от существующих систем, которые требуют десятков часов сканирования мозга для адаптации к новому человеку, Brain-IT идентифицирует закономерности, общие для разных людей, что позволяет ей реконструировать изображения с большей точностью и меньшим обучением.

Помимо реконструкции изображений, эта технология может помочь ученым понять, как мозг организует визуальную информацию. Она также может способствовать разработке нейрокомпьютерных интерфейсов, требующих меньшего обучения, хотя практическое медицинское применение еще далеко.

«В настоящее время существуют модели, которые переводят активность мозга в изображения, и они могут даже создавать впечатляющие реконструкции, которые достаточно хорошо сохраняют семантическое значение изображения», — сказала Ирани. «Однако они склонны допускать ошибки в базовых признаках, таких как композиция и цвет».

«Новая модель, которую мы разработали, превосходит их в реконструкции как содержания изображения, так и его деталей», — добавила она. «Более того, если каждая другая модель требует десятков часов сканирования мозга для обучения «чтению» нового человека, наша модель нуждается всего в одном часе».

Исследование было выбрано для презентации в этом году на Международной конференции по обучающимся представлениям, ведущей конференции по искусственному интеллекту.

Обучение ИИ «чтению» мозга

Основным препятствием в этой области является нехватка обучающих данных. Исследователям нужны изображения, сопоставленные с данными функциональной магнитно-резонансной томографии (фМРТ), которая измеряет изменения активности мозга по мере того, как люди просматривают изображения. Сбор таких данных требует, чтобы участники провели много часов в МРТ-сканерах.

Общедоступный набор данных «Природные сцены», использованный в исследовании, содержит около 73 000 пар «изображение-сканирование» от восьми участников, каждый из которых просмотрел тысячи изображений в течение 30–40 сеансов сканирования.

Чтобы преодолеть это ограничение, команда разработала две взаимодополняющие системы: кодировщик, который предсказывает активность мозга по изображению, и декодер, который реконструирует изображение по активности мозга.

Кодировщик генерировал предсказанные сканы мозга для изображений, которые участники никогда не видели в МРТ-сканере. Затем декодер пытался реконструировать эти изображения по предсказаниям, позволяя системам учиться на дополнительных примерах без необходимости новых сканирований для каждого изображения.

Исследователи разделили мозг примерно на 40 000 крошечных трехмерных единиц, называемых вокселями, и сравнили их реакции на различные изображения у разных людей. Это выявило повторяющиеся закономерности, связанные с визуальными признаками, такими как цвет, местоположение и узнаваемые объекты.

Кодировщик выявил 128 функциональных областей, которые были общими для людей и, по-видимому, играли определенные роли в зрительной обработке. Некоторые из них уже были известны ученым, а другие были новыми.

Одно из открытий касалось парагиппокампальной области, области мозга, участвующей в обработке мест и сцен. Исследователи обнаружили свидетельства разделения труда в этой области: одна часть реагировала на внутренние сцены, а другая — на внешние.

«Сила кодировщика заключается в его способности идентифицировать области, которые выполняют схожие функции в разных мозгах, даже когда их анатомическое расположение различается», — сказала Ирани.

В ближайшей перспективе Brain-IT может помочь исследователям изучать зрительную обработку, сокращая потребность в дорогостоящих и трудоемких сканированиях. Его способность идентифицировать закономерности, общие для разных людей, также может помочь ученым разработать нейрокомпьютерные интерфейсы, требующие меньшего обучения для адаптации к новым пользователям. Дальнейшие исследования необходимы.