La red neuronal STST-JEPA aprende a estimar la edad biológica a partir del EEG

Un equipo de investigadores ha presentado STST-JEPA (Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture), un transformer basado en aprendizaje autosupervisado que procesa la electroencefalografía (EEG) tanto en reposo como durante tareas cognitivas.

Cómo funciona el modelo

El modelo usa predicción latente: predice representaciones de tokens enmascarados frente a un objetivo que se actualiza mediante una media móvil exponencial. A ello se suma una señal auxiliar de reconstrucción para ventanas de 30 segundos de EEG multicanal con enmascaramiento de bloques espaciotemporales. La arquitectura se basa en transformers, lo que permite al modelo captar dependencias de largo alcance en las señales cerebrales.

El entrenamiento se realizó con dos grandes corpus de datos de EEG, brain.space y Healthy Brain Network (HBN), que suman 47,703 sesiones.

Resultados: predicción de la edad biológica

La predicción de la brain age (edad biológica) es una de las aplicaciones clave. En 3,367 sesiones de prueba, el modelo alcanzó un error absoluto medio (MAE) de 3,06 años con una correlación r = 0,924. Como referencia, el enfoque base (adivinar el valor medio) da un error de unos 10 años.

Un fine-tuning ligero de las capas finales permitió al modelo ocupar el primer puesto en el leaderboard público de NeuralBench en estas tareas:

• Clasificación de sexo: balanced accuracy 0,911
• Predicción de edad: r = 0,749
• Regresión de compuestos psicopatológicos: r = 0,215

Curiosamente, el error residual en la predicción de edad del modelo se correlaciona de forma negativa con el rendimiento cognitivo en varias de las tareas evaluadas.

Por qué importa para la medicina

La desviación de la edad biológica respecto a la cronológica es un biomarcador que puede señalar trastornos neurológicos y psiquiátricos, un envejecimiento cerebral acelerado o, al contrario, una salud excepcional. El EEG resulta atractivo para este tipo de cribado porque es barato, portátil y rico en información temporal.

Sin embargo, los modelos de EEG afrontan varios problemas: heterogeneidad del montaje entre laboratorios (distintas configuraciones de electrodos), cohortes etiquetadas pequeñas y una no estacionariedad dominante a nivel de sujeto (inestabilidad de la señal en el tiempo). STST-JEPA aborda estos problemas entrenándose con un gran corpus de datos en modo autosupervisado.

Qué significa

La robótica y la neuroimagen son pruebas honestas para la IA. Si un modelo puede predecir la edad biológica con una precisión de ±3 años a partir del EEG en todo el rango, desde niños hasta personas mayores, demuestra el valor real de los foundation models en aplicaciones médicas. El siguiente paso es usar STST-JEPA para diagnosticar enfermedades concretas (depresión, autismo, demencia) a partir de la desviación de la brain age respecto a la norma.