Par Pesach Benson • 14 octobre 2026
Jérusalem, 14 octobre 2026 (TPS-IL) — Des chercheurs israéliens ont développé un modèle d’intelligence artificielle qui reconstruit des images à partir de l’activité cérébrale en utilisant environ une heure de scans cérébraux d’un nouveau participant, tout en identifiant des divisions fonctionnelles jusqu’alors inconnues dans les régions du cerveau impliquées dans le traitement visuel.
Le modèle, baptisé Brain-IT, a été développé par une équipe dirigée par le professeur Michal Irani de l’Institut Weizmann des sciences. Contrairement aux systèmes existants qui nécessitent des dizaines d’heures de scans cérébraux pour s’adapter à une nouvelle personne, Brain-IT identifie des schémas partagés entre différentes personnes, ce qui lui permet de reconstruire des images avec une plus grande précision et moins de formation.
Au-delà de la reconstruction d’images, cette technologie pourrait aider les scientifiques à comprendre comment le cerveau organise l’information visuelle. Elle pourrait également faire progresser le développement d’interfaces cerveau-ordinateur nécessitant moins de formation, bien que les applications médicales pratiques soient encore loin.
« Il existe aujourd’hui des modèles qui traduisent l’activité cérébrale en images, et ils peuvent même produire des reconstructions impressionnantes qui préservent raisonnablement bien le sens sémantique de l’image », a déclaré Irani. « Cependant, ils ont tendance à faire des erreurs sur des caractéristiques de base telles que la composition et la couleur. »
« Le nouveau modèle que nous avons développé les surpasse dans la reconstruction du contenu de l’image et de ses détails », a-t-elle ajouté. « De plus, alors que tous les autres modèles nécessitent des dizaines d’heures de scans cérébraux pour apprendre à « lire » une nouvelle personne, notre modèle n’a besoin que d’une heure. »
La recherche a été sélectionnée pour être présentée cette année à la Conférence internationale sur les représentations d’apprentissage (International Conference on Learning Representations), une conférence de premier plan en intelligence artificielle.
Apprendre à l’IA à lire le cerveau
Un obstacle majeur dans ce domaine est le manque de données d’entraînement. Les chercheurs ont besoin d’images associées à des scans d’imagerie par résonance magnétique fonctionnelle (IRMf), qui mesurent les changements dans l’activité cérébrale lorsque les gens regardent des images. La collecte de telles données nécessite que les participants passent de nombreuses heures dans des scanners IRM.
L’ensemble de données Natural Scenes Dataset, disponible publiquement et utilisé dans l’étude, contient environ 73 000 paires d’images et de scans provenant de huit participants, chacun ayant visionné des milliers d’images sur 30 à 40 séances de scan.
Pour surmonter cette limitation, l’équipe a développé deux systèmes complémentaires : un encodeur qui prédit l’activité cérébrale à partir d’une image et un décodeur qui reconstruit une image à partir de l’activité cérébrale.
L’encodeur a généré des scans cérébraux prédits pour des images que les participants n’avaient jamais vues dans un scanner IRM. Le décodeur a ensuite tenté de reconstruire ces images à partir des prédictions, permettant aux systèmes d’apprendre à partir d’exemples supplémentaires sans nécessiter de nouveaux scans pour chaque image.
Les chercheurs ont divisé le cerveau en environ 40 000 petites unités tridimensionnelles appelées voxels et ont comparé leurs réponses à différentes images entre individus. Cela a révélé des schémas récurrents liés à des caractéristiques visuelles telles que la couleur, la localisation et les objets reconnaissables.
L’encodeur a identifié 128 régions fonctionnelles qui étaient partagées entre les personnes et semblaient jouer des rôles spécifiques dans le traitement visuel. Certaines étaient déjà connues des scientifiques, tandis que d’autres étaient nouvelles.
Une découverte concernait l’aire parahippocampique des lieux, une région du cerveau impliquée dans le traitement des lieux et des scènes. Les chercheurs ont trouvé des preuves d’une division du travail au sein de la région, une partie répondant aux scènes intérieures et une autre aux scènes extérieures.
« La force de l’encodeur réside dans sa capacité à identifier des régions qui remplissent des fonctions similaires dans différents cerveaux, même lorsque leurs localisations anatomiques diffèrent », a déclaré Irani.
À court terme, Brain-IT pourrait aider les chercheurs à étudier le traitement visuel tout en réduisant le besoin de scans coûteux et longs. Sa capacité à identifier des schémas partagés entre les individus pourrait également aider les scientifiques à développer des interfaces cerveau-ordinateur nécessitant moins de formation pour s’adapter à de nouveaux utilisateurs. Des recherches supplémentaires sont nécessaires.