La red neuronal STST-JEPA aprendió a determinar la edad biológica a partir del EEG

Los investigadores presentaron STST-JEPA (Arquitectura de Predicción de Incrustación Conjunta Espacio-Temporal de Objetivo Superficial) — un transformador basado en aprendizaje autosupervisado para procesar electroencefalografía (EEG) tanto en reposo como durante tareas cognitivas.

Cómo funciona el modelo

El modelo utiliza predicción latente — predicción de representaciones de token enmascaradas contra un objetivo actualizado por promedio móvil exponencial. Esto se complementa con una señal de reconstrucción auxiliar para ventanas de 30 segundos de EEG multicanal con enmascaramiento de bloques espacio-temporales. La arquitectura se basa en transformadores, lo que permite al modelo captar dependencias a largo plazo en las señales cerebrales.

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

Resultados: predicción de edad biológica

La predicción de edad cerebral es una de las aplicaciones clave. En 3,367 sesiones de prueba, el modelo logró un error absoluto medio (MAE) de 3.06 años con una correlación de r = 0.924. Para comparación, el enfoque de referencia (adivinar el valor promedio) da un error de aproximadamente 10 años.

Aplicar un ajuste fino ligero de las capas finales permitió al modelo ocupar el primer lugar en la tabla de clasificación pública de NeuralBench en tareas:

• Clasificación de género: precisión equilibrada 0.911
• Predicción de edad: r = 0.749
• Regresión de compuestos psicopatológicos: r = 0.215

Interesantemente, el error residual en la predicción de edad se correlaciona negativamente con el desempeño cognitivo en varias tareas probadas.

Por qué esto importa para la medicina

La desviación de la edad biológica respecto a la edad cronológica es un biomarcador que puede indicar trastornos neurológicos y psiquiátricos, envejecimiento cerebral acelerado, o inversamente, salud excepcional. El EEG es atractivo para tal detección porque es económico, portátil y rico en información temporal.

Sin embargo, los modelos de EEG enfrentan varios desafíos: heterogeneidad de montaje de electrodos entre laboratorios (diferentes configuraciones de electrodos), pequeñas cohortes anotadas, no estacionariedad dominante a nivel de sujeto (inestabilidad temporal de la señal). STST-JEPA resuelve estos problemas mediante entrenamiento en un gran corpus de datos en modo autosupervisado.

Qué significa esto

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 de EEG en todo el rango desde niños hasta ancianos, demuestra el valor real de los modelos fundacionales en aplicaciones médicas. El siguiente paso es usar STST-JEPA para diagnosticar enfermedades específicas (depresión, autismo, demencia) basándose en la desviación de la edad cerebral de la norma.