Una de las aplicaciones más prometedoras de la Inteligencia Artificial --la identificación de tumores a partir de imágenes médicas de alta resolución-- puede revolucionar la paleontología.
 |
| Restos de un ictiosaurio - PIXABAY |
Aunque el uso de la tecnología de TC ayuda a preservar los
especímenes y a generar datos muy útiles, las propias imágenes presentan sus
propios retos. Las exploraciones diferencian varios materiales -por ejemplo,
los huesos fosilizados frente a la roca que los recubre- en función de la
absorción de la radiación de los rayos X.
Las densidades similares pueden dificultar enormemente la
determinación de dónde empieza un objeto y dónde termina otro. Esto significa
que los investigadores tienen que recurrir a la segmentación manual, un proceso
muy laborioso para clasificar secciones similares de una imagen.
La IA puede realizar la segmentación de imágenes en minutos,
en comparación con los días o incluso semanas que necesita un paleontólogo. La
cuestión es si un ordenador puede clasificar secciones vóxel por vóxel a la par
que un profesional capacitado.
En una nueva investigación publicada en Frontiers in Earth
Science, los autores intentaron averiguarlo utilizando diferentes tipos de
redes neuronales profundas, un tipo de modelo de IA que imita el cerebro
humano.
El equipo entrenó y probó los sistemas de IA utilizando más
de 10.000 tomografías computarizadas de tres cráneos embrionarios bien
conservados de Protoceratops, un pariente más pequeño del género más conocido
Triceratops. Los fósiles se recuperaron en la década de 1990 en el desierto de
Gobi, en Mongolia.
Aunque los modelos no funcionaron tan bien como un humano,
la precisión y la velocidad de procesamiento demostraron que las redes
neuronales profundas pueden reducir significativamente el tiempo para
diferenciar los fósiles de las matrices de roca.
Además de un procesamiento de imágenes más rápido, el uso de
la IA en paleontología puede ayudar a establecer estándares de investigación,
según Congyu Yu, estudiante de doctorado en la Escuela de Postgrado Richard
Gilder del Museo Americano de Historia Natural y autor principal del estudio
junto con el doctor Mark A. Norell, conocido por su trabajo de investigación de
los vínculos evolutivos entre los dinosaurios y las aves.
"Diferentes investigadores pueden tener diferentes interpretaciones sobre la misma estructura, lo que lleva a diversas reconstrucciones de la historia evolutiva --explica en un comunicado Yu--. En algunos casos, las imágenes de TC pueden reconstruirse deliberadamente para seguir una idea determinada. El uso de la segmentación por IA puede detectar esos fraudes sin aumentar demasiado el coste".
Sin embargo, advierte de que aun queda tiempo antes de que
eso ocurra. Incluso el mejor modelo de la prueba del Protoceratops tuvo
problemas para funcionar bien con otros fósiles de dinosaurios del mismo
estrato rocoso y de la misma región.
"La generalización siempre es un problema para las
tareas basadas en la IA", señala Yu, quien añade que los investigadores
siguen entrenando y probando los modelos de aprendizaje profundo en imágenes de
TC de más taxones fósiles y diversos entornos de conservación de excavaciones
anteriores en Mongolia.
"Confiamos en que un modelo de segmentación para
fósiles del desierto de Gobi no está lejos, pero un modelo más generalizado
necesita no solo más conjunto de datos de entrenamiento, sino innovaciones en
los algoritmos --comenta--. Creo que el aprendizaje profundo puede
eventualmente procesar imágenes mejor que nosotros, y ya ha habido varios
ejemplos en el rendimiento del aprendizaje profundo que superan a los humanos,
incluyendo el juego de Go y la predicción de la estructura 3D de las
proteínas".
No hay comentarios:
Publicar un comentario