Un marco de detección temprana para niños chinos en riesgo de dificultades lectoras usando fNIRS y aprendizaje profundo

Por qué importa detectar pronto las dificultades lectoras

Aprender a leer es una de las habilidades más importantes que los niños adquieren en la escuela primaria, sin embargo muchos presentan dificultades que son difíciles de detectar solo con las pruebas de aula. Cuando los problemas de lectura se hacen evidentes, la mejor ventana para intervenir puede ya haber pasado. Este estudio presenta una nueva forma de identificar qué niños chinos pequeños están en riesgo de dificultad lectora observando en silencio cómo funciona su cerebro durante tareas sencillas y empleando modelos informáticos avanzados para interpretar esos patrones.

Una mirada más cercana a los desafíos lectores ocultos

La dificultad lectora, a menudo denominada dislexia del desarrollo, afecta a una proporción significativa de niños en todo el mundo. Estos niños tienen problemas persistentes para reconocer palabras, leer con fluidez y comprender lo que leen, incluso cuando su inteligencia y escolarización son normales. En chino, una lengua con un sistema de escritura basado en caracteres, se estima que la proporción de niños con dislexia clara es del 4–7 %, pero los docentes reportan muchos más niños que se sitúan justo por debajo de las expectativas de curso. Puede que no cumplan la definición clínica estricta de dislexia, pero se quedan rezagados en el reconocimiento y la escritura de los caracteres exigidos por el currículo nacional. Identificar este grupo más amplio de “en riesgo” desde temprano es crucial para que el apoyo pueda comenzar antes de que se arraiguen la frustración y el fracaso.

Escuchar al cerebro sin cirugía

Los investigadores recurrieron a la espectroscopía funcional de infrarrojo cercano (fNIRS), un método no invasivo que usa luz para seguir cambios en la oxigenación sanguínea del cerebro. Los niños llevan una gorra cómoda con emisores y detectores de luz, y el dispositivo mide qué regiones de la corteza están más activas mientras realizan las tareas. En este estudio, 30 alumnos de segundo grado (16 señalados por los profesores como con problemas lectores marginales y 14 con lectura típica) completaron dos tipos de tareas mientras llevaban la gorra. Una fue una prueba visual en la que tenían que reconocer y seleccionar caracteres chinos y palabras en inglés que se parecían entre sí. La otra fue una prueba auditiva que les pedía decidir si pares de sonidos hablados eran iguales o diferentes. Al mismo tiempo, los 150 niños del curso realizaron una prueba en papel y lápiz de escritura de pinyin (notación basada en sonidos) para caracteres chinos, confirmando que el grupo en riesgo realmente tenía un rendimiento inferior en aspectos básicos del lenguaje.

Enseñar a un modelo inteligente a leer patrones cerebrales

Los datos crudos de fNIRS son desordenados: son series temporales largas que muestran pequeños cambios en la oxigenación sanguínea en muchas ubicaciones de la cabeza. Las herramientas estadísticas tradicionales tienen dificultades con señales tan complejas. El equipo creó un nuevo modelo de aprendizaje profundo, llamado RD-risk Classifier (RDr-C), diseñado específicamente para manejar este tipo de datos. Primero, un módulo basado en grafos examina cómo se relacionan en el espacio las señales de sensores vecinos, imitando la estructura en red del cerebro. Luego, un módulo bidireccional de series temporales sigue cómo se desarrolla la actividad a lo largo de cientos de puntos temporales, tanto hacia delante como hacia atrás en el tiempo. Finalmente, un módulo de atención aprende qué momentos de la señal aportan las pistas más útiles. En conjunto, estas piezas forman una tubería que puede descubrir automáticamente patrones que distinguen a los niños en riesgo de sus compañeros, sin reglas diseñadas manualmente.

Señales de alerta temprana notablemente precisas

Cuando el modelo se entrenó y evaluó repetidamente con distintas particiones de los datos, separó correctamente a los niños en riesgo y a los de lectura típica casi siempre, con precisiones alrededor del 99–100 % tanto para la tarea visual como para la auditiva. Incluso en una prueba más exigente—entrenar con todos menos un niño y luego predecir el caso dejado fuera—el modelo alcanzó casi el 90 % de precisión. Modelos competidores, incluyendo redes neuronales estándar y dos clasificadores especializados en fNIRS, obtuvieron resultados notablemente peores. Las visualizaciones de las características aprendidas por el modelo mostraron dos agrupaciones compactas y bien separadas para los dos grupos, lo que sugiere que las señales cerebrales de los niños en riesgo realmente llevan una firma distintiva, aunque su comportamiento en las tareas no fuera dramáticamente diferente al de sus compañeros.

Lo que el cerebro revela sobre riesgos lectores sutiles

Para sondear lo aprendido por el modelo, los investigadores mezclaron sistemáticamente los datos de diferentes regiones cerebrales y observaron cuánto empeoraban las predicciones. Esto resaltó una zona particular asociada con movimientos finos de los dedos como especialmente importante. Un análisis detallado en tiempo–frecuencia mostró que, durante tareas visualmente exigentes, los niños típicos exhibían patrones ordenados y rítmicos en esta región, coherentes con un control sensorimotor fluido al apuntar o presionar teclas. En contraste, los niños en riesgo mostraron una actividad más irregular, lo que sugiere un problema de coordinación dependiente del contexto más que un déficit motor general. Es importante destacar que esta diferencia fue mucho más débil en la tarea auditiva, lo que refuerza la idea de que ciertos problemas de coordinación cerebral emergen principalmente bajo demandas visuales intensas parecidas a la lectura.

Hacia ayudas en el aula basadas en el cerebro

En términos sencillos, este trabajo sugiere que algunos niños pequeños que parecen solo ligeramente rezagados en la lectura pueden ya mostrar diferencias claras y medibles en cómo sus cerebros coordinan visión, movimiento y atención durante tareas relacionadas con la lectura. Al combinar una imagen cerebral segura con un modelo de aprendizaje profundo a medida, los investigadores crearon una herramienta de alerta temprana muy precisa que, en el futuro, podría ayudar a docentes y clínicos a identificar a estudiantes en riesgo años antes que los métodos actuales. Aunque el estudio es todavía pequeño y el sistema necesita probarse en grupos más grandes y diversos—y posiblemente combinarse con otras medidas como la caligrafía o el seguimiento ocular—señala un futuro en el que los riesgos sutiles de aprendizaje se detecten no solo observando las notas, sino escuchando en silencio el cerebro en acción.

Cita: Yang, P., Duan, Y., Wang, L. et al. An early detection framework for young Chinese learners at risk of reading difficulty using fNIRS and deep learning. Sci Rep 16, 14104 (2026). https://doi.org/10.1038/s41598-026-44379-7

Palabras clave: dificultad lectora, dislexia, imagen cerebral, aprendizaje profundo, alfabetización infantil