Los modelos de IA basados en EEG que pretenden detectar condiciones clínicas pueden estar captando quién eres, no lo que tu cerebro está haciendo. Una nueva investigación presenta la 'Trampa de la Identidad' y un conjunto de herramientas para detectarla.
La investigación
Un equipo liderado por Jun-You Lin de la Universidad de California, San Diego, incluyendo a Ying Choon Wu y Tzyy-Ping Jung, auditó tres modelos fundacionales de EEG populares: LaBraM, CBraMod y REVE. Los probaron en cuatro conjuntos de datos, cada uno organizado en un diseño 2x2 según si la etiqueta (por ejemplo, paciente vs. control) variaba dentro o entre sujetos, y si existía un marcador conocido de EEG entre sujetos.
Usando su nuevo protocolo de diagnóstico, FMScope, encontraron que las representaciones congeladas (no entrenadas) de los modelos contenían de 13 a 89 veces más varianza de identidad del sujeto de lo esperado por azar — en las 12 combinaciones modelo-conjunto de datos. El ajuste fino empeoró las cosas, aumentando la varianza de identidad entre 10 y 63 puntos porcentuales. Cuando eliminaron el eje de identidad del sujeto, la precisión de decodificación de etiquetas mejoró cuando la etiqueta variaba dentro de un sujeto: entre 6 y 12 puntos porcentuales en los conjuntos de datos primarios, y hasta 27 puntos en cohortes externas.
También descubrieron que la actividad cerebral aperiódica (1/f) es un portador de la identidad del sujeto: eliminarla redujo la precisión de la sonda de sujeto en 9 a 19 puntos en dos modelos. Sin embargo, REVE saturó la identidad del sujeto sin depender de señales aperiódicas.
Por qué es importante
Para cualquier persona interesada en diagnósticos basados en EEG o entrenamiento cerebral, esto significa que las altas puntuaciones de precisión en pruebas clínicas pueden ser engañosas. Los modelos pueden aprender atajos — usando tu firma cerebral única (como una huella digital) en lugar de la condición real. Por eso la validación cruzada con sujetos separados, aunque común, no es suficiente para garantizar que el modelo esté aprendiendo biomarcadores genuinos.
Qué puedes hacer
Cuando veas afirmaciones sobre la precisión de la IA en EEG, pregunta si los investigadores verificaron la fuga de identidad. Busca estudios que utilicen diagnósticos como FMScope para separar la identidad del sujeto de la señal real. Para tu propio entrenamiento cognitivo, recuerda que la singularidad de tu cerebro es una característica, pero no debería enmascarar los cambios reales que deseas rastrear.
Fuente: arXiv q-bio.NC
¿Sientes curiosidad por tu propio cerebro? Realiza nuestra prueba de CI adaptativa gratuita o prueba 306 niveles de entrenamiento cerebral.
