OHBM 2026: Neuroinformatics and Data Sharing + AI and the Analysis of brain structure and function — ¿la IA aprende ciencia o aprende sesgo?

La OHBM 2026 trae un eje muy importante para quienes quieren pensar el futuro de la neurociencia sin ingenuidad: por un lado, AI and the Analysis of brain structure and function; por otro, Neuroinformatics and Data Sharing. Dentro de estas líneas aparecen temas como A Novel Foundation Model for Structural Brain Health Analysis, Federated Label-Noise Filtering of Neuroimaging Data, BIDS-Flux: High-throughput, Federated Neuroimaging Data Management Platform for Multisite Studies y ClinicaDL v2: an open-source Python library for reproducible deep learning in neuroimaging. Solo esta combinación ya muestra un cambio importante: la discusión ya no es solo tener más datos o modelos más potentes. La propia OHBM 2026 deja claro que infraestructura, curaduría, intercambio de datos, ruido en las etiquetas, reproducibilidad y aprendizaje automático forman parte del corazón del problema científico.

Esto tiene mucho valor para una lectura de Neurociencia Decolonial. Durante mucho tiempo, parte de la ciencia trató los bancos de datos como si fueran espejos neutros de la realidad. Pero los datos nunca llegan puros. Todo conjunto de datos nace atravesado por quién fue incluido, quién quedó fuera, cómo se midió, en qué lengua, en qué contexto, con qué tecnología, bajo qué definición de normalidad y con qué idea previa de cerebro saludable. Cuando la OHBM 2026 coloca lado a lado Foundation Model, federated data, label-noise filtering y bibliotecas abiertas para deep learning, está señalando una madurez importante: el método también es política.

En lenguaje Brain Bee, la pregunta puede quedar así:

Si los datos vienen de poblaciones sesgadas, ¿la IA va a descubrir el cerebro humano o solo va a repetir el cerebro estándar ya aceptado?

Es una pregunta fuerte porque va directo al punto. Las y los adolescentes entienden esto rápido. Si una máquina aprende con ejemplos limitados, aprende una parte del mundo y empieza a tratar esa parte como si fuera el todo. En neurociencia, esto es todavía más delicado. Porque no estamos hablando solo de reconocer imágenes; estamos hablando de salud, desarrollo, atención, emoción, envejecimiento y diferencia humana.

Aquí, los avatares que más ayudan son Math/Hep y Olmeca.

Math/Hep entra para cuidar el método. Ayuda a recordar que un modelo fuerte no es sinónimo de verdad fuerte. Un Foundation Model puede impresionar, pero la pregunta central sigue siendo: ¿con qué base fue entrenado, qué ruido heredó, qué población representa y qué tipo de generalización sostiene realmente? Lo mismo vale para filtros de ruido, pipelines reproducibles y sistemas federados: todos pueden mejorar la ciencia, pero solo si la pregunta metodológica sigue viva.

Olmeca entra porque los datos también son cultura, historia y territorio. Cuando un sistema aprende a partir de muestras concentradas en ciertos países, ciertas lenguas, ciertos perfiles sociales y ciertos patrones de salud, no aprende “el cerebro humano” en general. Aprende con más fuerza el cerebro que ya tuvo más oportunidad de convertirse en dato. Y eso importa mucho para América Latina. Porque, si no hacemos esa pregunta, corremos el riesgo de importar modelos que parecen universales, pero que ya nacieron limitados por exclusiones anteriores.

La crítica decolonial aquí no necesita ser agresiva. Puede ser simple: una IA no supera automáticamente el sesgo presente en los datos. En muchos casos, organiza mejor ese sesgo, acelera ese sesgo y devuelve ese sesgo con apariencia de neutralidad. Por eso la programación de la OHBM 2026 es tan interesante en este punto. Cuando aparecen temas como Federated Label-Noise Filtering of Neuroimaging Data, BIDS-Flux y ClinicaDL v2, el congreso está reconociendo que la calidad del dato, el intercambio responsable y la reproducibilidad no son detalles técnicos menores; forman parte de la propia validez científica.

Una mejor pregunta, entonces, sería esta:

¿Qué cambia cuando el contexto entra en el modelo, en vez de quedar escondido detrás de la apariencia de dato puro?

Es una buena pregunta para la OHBM 2026, una buena pregunta para Brain Bee y una pregunta muy importante para América Latina. Porque aquí necesitamos ciencia fuerte, pero también ciencia que sepa reconocer quiénes históricamente quedaron fuera de las bases de datos, de los protocolos y de las definiciones dominantes de normalidad.

Una propuesta Brain Bee de experimento con EEG + NIRS

La propuesta puede ser simple: clasificar perfiles de desempeño en una tarea usando EEG + NIRS en dos versiones de modelo. En la primera, entran solo variables neurales y conductuales. En la segunda, entran también variables socioculturales y contextuales, como idioma, tipo de escuela, rutina de sueño o contexto de estrés.

El foco no sería demostrar que “el contexto explica todo”, sino mostrar cómo cambia el modelo cuando el contexto deja de ser invisible. La hipótesis central es directa: parte de lo que la IA llama patrón cerebral puede estar mezclado con diferencias de ambiente, lengua, cuidado u oportunidad.

Dónde la OHBM 2026 ya apunta en esta dirección

Este blog nace directamente de la programación oficial. La línea AI and the Analysis of brain structure and function incluye temas como A Novel Foundation Model for Structural Brain Health Analysis y Federated Label-Noise Filtering of Neuroimaging Data. La línea Neuroinformatics and Data Sharing incluye BIDS-Flux y ClinicaDL v2, además de otras herramientas orientadas a integración, reproducibilidad y gestión federada de datos. Eso ayuda a desplazar la pregunta.

En lugar de preguntar solo “¿qué IA funciona mejor?”, la discusión puede volverse más madura: ¿qué datos sostienen este modelo, qué ruido arrastra, qué población representa y qué tipo de ciencia ayuda realmente a construir?

Por qué esto importa para América Latina

En nuestra región, pensar neuroinformática e IA también es pensar soberanía científica. No basta con usar modelos ya hechos y esperar que nos representen. Hay que preguntar quién entró en el dato, quién quedó fuera, en qué lengua fueron diseñados los protocolos, qué tipo de infraestructura se necesita para participar y cómo la ciencia abierta puede volverse realmente abierta para países con menos recursos.

Este punto es especialmente importante para jóvenes de 14 a 17 años. Ya conviven con algoritmos todo el tiempo. Por eso pueden aprender temprano una lección decisiva: una máquina no se vuelve neutral solo porque hace cálculos. Aprende con lo que recibe. Y, si recibe un mundo desigual, puede devolver ese mundo con apariencia de verdad técnica.

La belleza de este tema de la OHBM 2026 está justamente ahí: ya abre espacio para salir de la fascinación superficial con la IA y entrar en una discusión más seria sobre datos, método y responsabilidad científica.

En lugar de preguntar solo si la IA acierta más, podemos preguntar:

¿Qué cerebro aprendió a reconocer?
¿Qué diferencias borra cuando llama a todo “patrón”?
¿Cómo pueden la reproducibilidad y el intercambio de datos mejorar la ciencia sin esconder el sesgo?

Cuando la neurociencia empieza a medir eso con claridad, deja de ser solo una ciencia de la automatización y empieza a convertirse también en una ciencia de la responsabilidad metodológica.

Referencias usadas en este blog

• OHBM 2026 — línea “AI and the Analysis of brain structure and function”, incluyendo A Novel Foundation Model for Structural Brain Health Analysis y Federated Label-Noise Filtering of Neuroimaging Data.

• OHBM 2026 — línea “Neuroinformatics and Data Sharing”, incluyendo BIDS-Flux: High-throughput, Federated Neuroimaging Data Management Platform for Multisite Studies y ClinicaDL v2: an open-source Python library for reproducible deep learning in neuroimaging.

• OHBM 2026 Schedule at a Glance — confirmación de que las sesiones ligadas a IA, neuroinformática e intercambio de datos forman parte de la programación oficial del congreso.