La estereoelectroencefalografía revela firmas neuronales de la integración multisensorial en el surco temporal superior humano durante la percepción audiovisual del habla

La percepción del habla humana es inherentemente multisensorial, basándose en la integración de señales auditivas de la voz del hablante con estímulos visuales de sus movimientos faciales. Estudios previos que emplearon imágenes por resonancia magnética funcional dependiente del nivel de oxígeno en sangre (BOLD fMRI) han implicado al giro temporal superior (GTS) en el procesamiento auditivo del habla y al surco temporal superior (STS) en la integración de señales auditivas y visuales del habla. Sin embargo, la fMRI, como medida hemodinámica indirecta, carece de la resolución temporal para capturar los rápidos cálculos neuronales fundamentales para la percepción del habla.\n\nPara superar estas limitaciones, el presente estudio utilizó estereoelectroencefalografía (sEEG) para registrar directamente la actividad neuronal de las regiones GTS y STS en 42 pacientes con epilepsia (25 mujeres, 17 hombres). Se les pidió a los participantes identificar palabras individuales presentadas en tres formatos sensoriales: solo auditivo, solo visual y audiovisual. Estas condiciones se probaron tanto con ruido auditivo añadido como sin él para evaluar los beneficios perceptivos de las señales visuales del habla. Notablemente, observar el rostro del hablante mejoró consistentemente la capacidad de los participantes para percibir el habla, especialmente en entornos ruidosos.\n\nLas grabaciones neuronales revelaron un subconjunto de electrodos, ubicados principalmente en la parte media-posterior del GTS y STS, que respondieron tanto a señales auditivas como visuales del habla. Las respuestas al habla auditiva se detectaron con una latencia promedio de 71 milisegundos, mientras que las respuestas al habla visual ocurrieron un poco más tarde, a 109 milisegundos. De manera crucial, la mejora multisensorial fue más pronunciada en la parte superior del STS. En comparación con el habla solo auditiva, el STS mostró una latencia de respuesta un 40% más rápida y un aumento del 18% en la amplitud de respuesta al procesar el habla audiovisual. En contraste, el GTS no mostró diferencias significativas en la velocidad o magnitud de la respuesta bajo condiciones multisensoriales.\n\nUn hallazgo inesperado fue que el STS mostró latencias de respuesta significativamente más rápidas para el habla audiovisual que el GTS (50 ms frente a 64 ms). Esto sugiere un modelo de procesamiento paralelo donde el GTS apoya principalmente la percepción del habla solo auditiva, mientras que el STS desempeña un papel principal en la integración de la información multisensorial del habla. Estas dinámicas neuronales subrayan al STS como un centro crítico para el procesamiento audiovisual del habla, complementando hallazgos previos de fMRI con evidencia electrofisiológica directa.\n\nEn conjunto, estos resultados proporcionan un apoyo contundente para el surco temporal superior como un sustrato neuronal especializado en la integración multisensorial durante la percepción del habla. La aplicación de sEEG permitió un seguimiento temporal preciso de las respuestas neuronales, revelando vías de procesamiento distintas y rápidas en la corteza temporal humana. Esta investigación no solo avanza nuestra comprensión de los mecanismos neuronales subyacentes a la percepción del habla, sino que también destaca la importancia de la integración multisensorial en escenarios de comunicación del mundo real. Estos conocimientos tienen implicaciones potenciales para intervenciones clínicas en poblaciones con percepción del habla deteriorada y el desarrollo de dispositivos neuroprotésicos diseñados para aumentar las habilidades comunicativas.