Onderzoekers van het Weizmann Institute of Science in Rehovot, Israël, hebben een kunstmatig intelligentiesysteem gebouwd dat kan reconstrueren waar iemand naar kijkt, alleen op basis van zijn fMRI-hersenscan – en de hersenactiviteit van een persoon kan voorspellen op basis van een beeld in de andere richting – meldde MIT Technology Review op 1 oktober 2026.

De tool, ontwikkeld door computerwetenschapper Michal Irani en haar collega's, reconstrueert bekeken beelden met een precisie die eerdere inspanningen op het gebied van hersendecodering niet hebben geëvenaard. Bij zij-aan-zij vergelijkingen behouden de reconstructies van het model niet alleen het algemene onderwerp van een scène, maar ook de structuur, positie en inhoud ervan - een aanhoudende zwakte van eerdere systemen, die een plausibele banaan konden opleveren, maar zelden de banaan die de persoon daadwerkelijk zag. Voor meer context over dit verhaal, zie ons meer AI-verhalen.

Hoe de hersendecoder werkt

Het systeem is een 'hersendecoder' met twee takken. De ene tak voorspelt de structuur van het beeld – waarbij kleuren en vormen in het kader zitten – terwijl de tweede de inhoud ervan voorspelt, bijvoorbeeld een tros bananen op een bord. Die gecombineerde voorspellingen sturen vervolgens een diffusiemodel, dezelfde familie van generatieve AI-technieken achter moderne beeld- en videogeneratoren, aan om de uiteindelijke reconstructie te produceren.

Het team ging uit van openbaar beschikbare hersenscangegevens: vrijwilligers hadden honderden afbeeldingen te zien gekregen terwijl ze in fMRI-scanners lagen, die de zuurstofrijke bloedstroom door de hersenen volgen als proxy voor neurale activiteit. De groep van Irani gebruikte nieuwere datasets die waren vastgelegd met scanners met een hogere resolutie, waarbij elke voxel van activiteit ongeveer één kubieke millimeter weefsel beslaat in plaats van de grofweg drie kubieke millimeter van een standaardscanner.

Training op geleende gegevens

Het centrale obstakel was de honger naar data. FMRI-scans met hoge resolutie van een persoon die duizenden afbeeldingen bekijkt, zijn schaars, en de modellen hadden veel meer nodig dan er bestond. De oplossing van de onderzoekers was om een ​​tweede model omgekeerd te trainen: een encoder die voorspelt hoe een hersenscan eruit zou zien als iemand een bepaald beeld te zien zou krijgen.

Door de encoder en de decoder tegen elkaar te laten draaien, kon het team effectief onbeperkte trainingsparen genereren. Begin met een foto van een luipaard, voorspel de fMRI-activiteit die het zou produceren, reconstrueer het beeld op basis van die activiteit en verfijn beide modellen op basis van de mismatches. Ongeveer 70 procent van de trainingsgegevens kwam uiteindelijk uit beelden die nooit daadwerkelijk aan een gescande vrijwilliger zijn getoond, aldus Irani.

De aanpak leverde wat het team een ​​universele hersenencoder noemt op, en de efficiëntie ervan is het belangrijkste resultaat. Bij eerdere decoderingstools was doorgaans ongeveer 40 uur aan fMRI-gegevens nodig om te kalibreren op een nieuwe persoon. De decoder van Irani heeft ongeveer een uur nodig – een verschil dat ertoe doet omdat scannertijd duur is. "Niemand van ons kan zich 40 uur beeldvorming voor een nieuw onderwerp veroorloven", zegt Tommy Sprague, een neurowetenschapper aan de Universiteit van Californië, Santa Barbara, die niet betrokken was bij het onderzoek, en merkte op dat beeldvorming ongeveer $600 tot $1.000 per uur kan kosten. De bevindingen werden in september gepresenteerd op de Cognitive Computational Neuroscience-conferentie in New York.

Wat goed en fout is

In vergelijkingstests presteerde de tool "met een aanzienlijke marge" beter dan eerder beschreven hersendecoderingssystemen, vertelde Irani aan MIT Technology Review. Het is niet onfeilbaar. Tijdens een videogesprek wees ze op een afbeelding van een taart die het systeem reconstrueerde als een stapel van drie boterhammen, en een hond in een badkuip die terugkwam als een gelijkgekleurde geit in dezelfde badkuip.

Door gegevens uit meerdere onderzoeken te bundelen, identificeerde het team ook hersengebieden die functies lijken te delen tussen individuen: de ene regio reageerde op beelden van voedsel, de andere op sport. Irani zegt dat ze nu samenwerkt met neurowetenschappers om de tools te gebruiken om in kaart te brengen hoe de hersenen betekenis systematischer organiseren.

Beloften voor medicijnen

De meest directe hoop is klinisch. Irani gelooft dat de aanpak uiteindelijk mensen met het lock-in-syndroom – volledig verlamde patiënten die niet kunnen praten of bewegen – kan helpen communiceren door alleen gebruik te maken van hersenactiviteit. Ze wil de techniek ook uitbreiden van statische beelden naar video en audio, met als langetermijndoel het reconstrueren van ingebeelde inhoud, inclusief dromen en de zintuiglijke inhoud van PTSD-flashbacks.

Judy Illes, een neuro-ethicus en hoogleraar neurologie aan de Universiteit van British Columbia die niet bij het werk betrokken was, omschreef het onderzoek als ‘magnifiek’. "Het idee [om deze aanpak te gebruiken] om mensen met neurologische aandoeningen te helpen... therapeutisch is enorm opwindend", vertelde ze aan MIT Technology Review.

Het privacyprobleem

Dezelfde precisie roept het vooruitzicht op waar het vakgebied al lang voor vreest: het extraheren van de mentale beelden van een persoon zonder betekenisvolle toestemming. "De resultaten lijken erg indrukwekkend", zei Sprague. "Maar als er een manier is om heimelijk informatie te verkrijgen over waar je aan denkt, dan... kan 150 jaar sciencefiction op elk moment werkelijkheid worden, en dat is in veel opzichten zorgelijk."

Deze zorgen blijven voorlopig beperkt tot de natuurkunde. Het systeem vereist dat een persoon urenlang in een fMRI-magneet van meerdere ton ligt, en elke voorgaande decoder had een uitgebreide kalibratie per persoon nodig. Maar de kalibratie-eis is precies wat Irani's team zojuist met een factor tientallen heeft verlaagd, en daarom besteden ethici aandacht aan een instrument dat toevallig ook een doorbraak in het onderzoek is.

De volgende doelen van de Weizmann-groep – bewegende beelden en geluid, en vervolgens ingebeelde en gedroomde inhoud – zullen testen of de nauwkeurigheid van de techniek overleeft buiten de zorgvuldig gecontroleerde omstandigheden van een scannerlaboratorium. Als dat wel gebeurt, zullen zowel de medische toepassingen als de privacydebatten samen escaleren.

Een snel bewegend veld

De decodering van de hersenen is in minder dan tien jaar geëvolueerd van wazige, nauwelijks herkenbare benaderingen naar structureel getrouwe reconstructies, aangedreven door betere scanners, grotere gedeelde datasets en generatieve modellen die realistische details uit grove signalen kunnen invullen. De bijdrage van Weizmann – het gebruik van een bidirectionele encoder-decoder-lus om het dataknelpunt te doorbreken – is het soort technisch inzicht dat zich snel verspreidt, omdat het niet afhankelijk is van nieuwe hardware. Verwacht dat andere laboratoria het trainingsprogramma zullen repliceren, en verwacht dat de vraag wie de neurale gegevens controleert en ermee instemt, van de marges van het AI-beleid naar het centrum zal verschuiven.

---

Blijf Voorop met AI

Het laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.

Lees meer AI-nieuws →