Una nueva investigación trabaja para mejorar la clasificación y el análisis de imágenes.
Un nuevo campo (aprendizaje automático y visión artificial en imageómica) promete marcar el comienzo de una nueva era en el uso del aprendizaje automático y la visión artificial para abordar cuestiones a pequeña y gran escala sobre la biología de los organismos en todo el mundo.
El campo de la imageómica tiene como objetivo ayudar a explorar cuestiones fundamentales sobre los procesos biológicos en la Tierra combinando imágenes de organismos vivos con análisis y descubrimientos por ordenador.
Wei-Lun Chao, investigador del Imageomics Insitute de The Ohio State University y profesor asistente de ingeniería de excelencia inclusiva en ciencias de la computación e ingeniería en Ohio State, hizo una presentación en profundidad sobre los últimos avances de investigación en este campo.
Chao y otros dos presentadores describieron cómo la imageómica podría transformar la comprensión que tiene la sociedad del mundo biológico y ecológico al convertir las preguntas de investigación en problemas computables. La presentación de Chao se centró en la posible aplicación de la imageómica a problemas de nivel micro y macro.
“Hoy en día tenemos muchos avances rápidos en el aprendizaje automático y las técnicas de visión artificial”, dijo Chao. “Si los utilizamos adecuadamente, realmente podrían ayudar a los científicos a resolver problemas críticos pero laboriosos”.
Si bien algunos problemas de investigación pueden tardar años o décadas en resolverse manualmente, los investigadores en imageómica sugieren que, con la ayuda de técnicas de visión artificial y por ordenador – como el reconocimiento de patrones y la alineación multimodal –, se podría ampliar la velocidad y la eficiencia de los descubrimientos científicos de próxima generación exponencialmente.
“Si podemos incorporar el conocimiento biológico que la gente ha recopilado durante décadas y siglos en técnicas de aprendizaje automático, podemos ayudar a mejorar sus capacidades en términos de interpretabilidad y descubrimiento científico”, dijo Chao.
Una de las formas en que Chao y sus colegas están trabajando para lograr este objetivo es mediante la creación de modelos básicos en imageómica que aprovecharán datos de todo tipo de funetes para permitir diversas tareas. Otra forma es desarrollar modelos de aprendizaje automático capaces de identificar e incluso descubrir rasgos para que a los ordenadores les resulte más fácil reconocer y clasificar objetos en imágenes, que es lo que hizo el equipo de Chao.
“Los métodos tradicionales de clasificación de imágenes con detección de rasgos requieren una gran cantidad de anotaciones humanas, pero nuestro método no”, dijo Chao. “Nos inspiramos para desarrollar nuestro algoritmo a través de cómo los biólogos y ecologistas buscan rasgos para diferenciar varias especies de organismos biológicos”.
Los clasificadores de imágenes convencionales basados en aprendizaje automático han logrado un gran nivel de precisión al analizar una imagen en su conjunto y luego etiquetarla como una determinada categoría de objeto. Sin embargo, el equipo de Chao adopta un enfoque más proactivo: su método enseña al algoritmo a buscar activamente rasgos como colores y patrones en cualquier imagen que sean específicos de la clase de un objeto (como su especie animal) mientras se analiza.
De esta manera, la imageómica puede ofrecer a los biólogos una descripción mucho más detallada de lo que se revela y lo que no en la imagen, allanando el camino para un análisis visual más rápido y preciso. Lo más interesante, dijo Chao, es que se demostró que es capaz de manejar tareas de reconocimiento de especies muy difíciles de identificar, como los mimetismos de mariposas, cuya apariencia se caracteriza por detalles finos y variedad en los patrones y colores de sus alas.
La facilidad con la que se puede utilizar el algoritmo también podría permitir que la imageómica se integre en una variedad de otros propósitos diversos, que van desde la investigación del clima hasta la ciencia de los materiales, dijo.
Chao dijo que una de las partes más desafiantes del fomento de la investigación en imageómica es integrar diferentes partes de la cultura científica para recopilar suficientes datos y formar nuevas hipótesis científicas a partir de ellos.
Es una de las razones por las que la colaboración entre diferentes tipos de científicos y disciplinas es una parte tan integral del campo, afirmó. La investigación en imageómica seguirá evolucionando, pero por ahora, Chao está entusiasmado con su potencial para permitir que el mundo natural sea visto y comprendido de maneras completamente nuevas e interdisciplinarias.
«Lo que realmente queremos es que la IA tenga una fuerte integración con el conocimiento científico, y yo diría que la imageómica es un excelente punto de partida para lograrlo«, dijo.
La presentación AAAS de Chao, titulada «An Imageomics Perspective of Machine Learning and Computer Vision: Micro to Global«, fue parte de la sesión «Imageomics: Powering Machine Learning for Understanding Biological Traits«.
Leído en:The Ohio State University