Optimizing MR-based gaze-decoding for eyes-closed eye-tracking in fMRI

No zumbido silencioso de um scanner de ressonância magnética, os pesquisadores frequentemente pedem que as pessoas permaneçam perfeitamente imóveis enquanto seus cérebros se iluminam em resposta a imagens, sons ou pensamentos. Por décadas, os cientistas sabem que para onde uma pessoa olha é tão importante quanto o que ela está pensando. Se os olhos de um participante derivarem mesmo que ligeiramente, a atividade cerebral registrada pode mudar completamente, transformando um sinal claro em um ruído confuso. Para evitar isso, a maioria dos estudos utiliza câmeras de alta velocidade para rastrear os olhos, garantindo que a pessoa esteja olhando exatamente para onde deveria. Mas essas câmeras têm um ponto cego: elas não conseguem ver quando os olhos estão fechados. Isso deixa uma vasta lacuna em nosso entendimento. Não podemos estudar o que acontece no cérebro durante o sono, durante o relaxamento profundo com os olhos fechados, ou quando as pessoas são solicitadas a imaginar cenas em suas mentes, porque não temos como saber se seus olhos estão se movendo ou para onde eles podem estar apontando.

Uma equipe de pesquisadores encontrou agora uma maneira de enxergar através dessa escuridão, não com uma câmera, mas ouvindo os sinais magnéticos dos próprios globos oculares. Usando um poderoso programa de computador que aprende a reconhecer padrões em exames cerebrais, eles ensinaram uma máquina a adivinhar para onde uma pessoa está olhando, mesmo quando suas pálpebras estão firmemente fechadas. O avanço não depende de equipamentos caros ou condições perfeitas. Em vez disso, baseia-se em um método de treinamento inteligente que permite ao sistema se adaptar a diferentes scanners e diferentes tarefas, abrindo uma janela para os movimentos ocultos do olho da mente.

A história começa com uma ferramenta chamada DeepMReye, um sofisticado programa de computador que já era conhecido por funcionar bem quando as pessoas estavam olhando para telas. Este programa atua como um tradutor, convertendo as tênues ondulações magnéticas vindas dos globos oculares dentro do scanner em um mapa de para onde o olhar está direcionado. No entanto, a versão original deste tradutor foi treinada principalmente em dados de pessoas com os olhos bem abertos. Quando os pesquisadores tentaram usá-lo em pessoas com os olhos fechados, os resultados foram instáveis. A forma física do olho muda ligeiramente quando as pálpebras pressionam para baixo, e os sinais magnéticos mudam de maneiras que o computador nunca tinha visto antes. Era como pedir a um tradutor que só fala inglês para interpretar subitamente uma língua que usa uma gramática inteiramente diferente.

Para corrigir isso, os pesquisadores projetaram um novo tipo de sessão de treinamento. Eles trouxeram quinze voluntários para o scanner e pediram que realizassem uma série de movimentos oculares enquanto seus cérebros eram escaneados. Primeiro, os voluntários olharam para um alvo em uma tela, seguindo-o conforme ele se movia em padrões específicos, como traçar triângulos no ar com os olhos. Esta parte foi feita com os olhos abertos, fornecendo ao computador exemplos claros e perfeitos de como os sinais magnéticos parecem quando os olhos estão se movendo de uma forma controlada. Os pesquisadores então usaram esses dados frescos para "ajustar" o programa de computador, essencialmente ensinando ao programa como o seu scanner específico e a sua configuração específica viam o mundo.

Os resultados foram imediatos e claros. Quando os pesquisadores testaram o programa recém-treinado nas mesmas tarefas de abertura de olhos, ele teve um desempenho significativamente melhor do que a versão original. Ele rastreou os movimentos com muito mais precisão, reduzindo a distância entre onde o computador pensava que os olhos estavam e onde eles realmente estavam. Crucialmente, os pesquisadores descobriram que essa melhoria não era apenas uma questão de esticar os números para caber em uma tela maior. O programa havia genuinamente aprendido a maneira única como o scanner deles capturava o movimento do olho. Ainda mais surpreendentemente, eles descobriram que não precisavam dos dados da câmera para fazer esse treinamento. Eles podiam simplesmente dizer ao computador: "A pessoa estava olhando para este ponto específico", e o programa aprendia tão bem quanto se tivesse visto os movimentos oculares reais registrados por uma câmera. Isso significa que qualquer laboratório, mesmo um sem câmera, poderia agora ensinar o sistema a trabalhar para eles.

A verdadeira magia, no entanto, aconteceu quando as luzes se apagaram. Os pesquisadores então pediram aos voluntários que realizassem a mesma tarefa de traçar triângulos, mas desta vez com os olhos fechados, guiados apenas por uma sequência de bipes. Eles também os fizeram piscar lentamente e manter os olhos abertos sem olhar para nada. Quando inseriram os exames cerebrais dessas sessões de olhos fechados no programa recém-treinado, ele reconstruiu com sucesso os movimentos oculares. O computador podia "ver" os triângulos sendo traçados no escuro. Para provar que isso não era um golpe de sorte, os pesquisadores embaralharam a ordem dos movimentos nos dados. Quando a sequência foi quebrada, o programa não conseguiu mais identificar a forma, provando que ele estava verdadeiramente decodificando o caminho do olho e não apenas adivinhando com base no tempo dos sons.

Essa habilidade de ver movimentos de olhos fechados não foi apenas um truque de exibição; revelou algo profundo sobre como o cérebro e os olhos interagem. Os pesquisadores descobriram que o programa também podia distinguir entre pálpebras abertas e fechadas com alta precisão. Ele podia detectar quando uma pessoa piscava ou quando seus olhos estavam totalmente fechados, simplesmente lendo os sinais magnéticos. Isso sugere que o estado da pálpebra deixa uma impressão digital distinta no exame cerebral, uma que o computador pode aprender a reconhecer.

Talvez a descoberta mais prática tenha sido que o programa não precisava ser treinado com dados de olhos fechados para funcionar em tarefas de olhos fechados. Os pesquisadores tentaram treinar o sistema usando apenas os dados de olhos abertos que haviam coletado anteriormente. Quando testaram esta versão nas sessões de olhos fechados, ela teve um desempenho quase tão bom quanto a versão que havia sido treinada tanto com olhos abertos quanto com olhos fechados. Isso significa que para estudar o sono ou a imaginação mental no futuro, os cientistas não precisam lutar para fazer uma câmera funcionar no escuro. Eles podem simplesmente treinar o sistema enquanto o sujeito está acordado e olhando para uma tela, e então aplicar esse conhecimento aos momentos de olhos fechados.

O estudo também abordou uma limitação comum na forma como esses sistemas são usados. Frequentemente, os pesquisadores assumem que, se apenas ajustarem a escala da saída, um programa genérico funcionará para qualquer configuração. Os pesquisadores mostraram que isso não é suficiente. Um simples estiramento matemático dos números não poderia igualar o desempenho de um programa que havia sido especificamente treinado com os dados locais. O computador precisava aprender a "voz" específica do scanner e a maneira única como os olhos se moviam naquele quarto em particular.

Ao combinar uma rotina de treinamento simples com um poderoso algoritmo de aprendizado, os pesquisadores removeram uma barreira importante para o estudo do cérebro. Eles demonstraram que agora podemos rastrear para onde a mente está olhando, mesmo quando os olhos estão fechados, sem precisar de uma câmera para observá-los. Isso abre a porta para o estudo do sono, do relaxamento profundo e das paisagens interiores da imaginação com uma clareza que era anteriormente impossível. A tecnologia não é perfeita; os movimentos dos olhos fechados são naturalmente menos precisos do que os de olhos abertos, e o computador reflete essa realidade. Mas, pela primeira vez, a escuridão do olho fechado não é mais um ponto cego em nosso entendimento do céreito humano.