Las máquinas se pueden entrenar para clasificar imágenes y así identificar tumores en tomografías computarizadas, composiciones minerales en rocas, o patologías en análisis de microscopía óptica. Esta técnica de inteligencia artificial se conoce como aprendizaje automático y ha ganado nuevas aplicaciones en los últimos años.

El entrenamiento de la máquina se lleva a cabo mediante la repetición de imágenes utilizadas como ejemplos de un contexto o situación particular y la preparación adecuada de ese material requiere el esfuerzo de expertos de diversas áreas.

"El ser humano coordina [la formación], sin que un especialista controle el proceso de formación, la máquina aprendería a tomar decisiones basadas en características de la imagen que no están relacionadas con el problema de destino. Esto genera un resultado pobre o restringido a la base de datos en la que se entrenó la máquina. Cuando cambia la base de datos, los errores aumentan considerablemente, hacer que el análisis de la máquina no sea confiable, "dijo Alexandre Xavier Falcão, del Instituto de Computación de la Universidad de Campinas (UNICAMP), en una conferencia impartida en la FAPESP Week France.

Falcão ha estado combinando la ciencia de la computación y otras áreas de conocimiento basadas en proyectos de aprendizaje automático en una línea de investigación que investiga la interacción hombre-máquina en la toma de decisiones.

Automatización de la detección de parásitos

Uno de los proyectos liderados por Falcão y presentado en la FAPESP Week France tiene como objetivo automatizar la detección de parásitos en los análisis de heces. La investigación se realizó a través de una asociación entre Immunocamp (una empresa con sede en Campinas especializada en productos hospitalarios) e investigadores de los Institutos de Computación y Química de la UNICAMP, así como la Facultad de Ciencias Médicas de la misma universidad.

El equipo interdisciplinario ha desarrollado una máquina capaz de identificar las 15 especies de parásitos más prevalentes que infectan a los humanos en Brasil.

La técnica de aprendizaje automático mostró una eficiencia de más del 90 por ciento, que es mucho más alto que los análisis convencionales realizados por humanos a través del análisis visual de portaobjetos de microscopía óptica, cuyas tasas varían de 48 por ciento a 76 por ciento como máximo. La máquina también es capaz de procesar 2, 000 imágenes en cuatro minutos.

"La idea no es sustituir el trabajo de los humanos, sobre todo porque necesitan entrenar a las máquinas para identificar más especies de parásitos y confirmar el diagnóstico de patógenos detectados por la máquina, sino más bien para evitar la fatiga humana y aumentar la precisión de los resultados, " él dijo.

Una de las innovaciones creadas por el equipo de UNICAMP fue un sistema de separación de parásitos e impurezas basado en el principio de flotación por aire disuelto, lo que permite generar portaobjetos de microscopía óptica con menos impurezas.

En la parte de ciencia de datos, la máquina es capaz de realizar un escaneo automático del portaobjetos y detectar los parásitos que aparecen en las imágenes de la pantalla del ordenador. Esto fue posible utilizando técnicas computacionales que separan los componentes de la imagen para verificar y decidir si están relacionados con impurezas o con una de las 15 especies parásitas.

"La interacción hombre-máquina tiene el potencial de reducir el esfuerzo humano y aumentar la confianza en la decisión algorítmica. Nuestro enfoque ha demostrado que incluir al especialista en el ciclo de formación genera sistemas fiables de toma de decisiones basados ​​en el análisis de imágenes".

Sistemas confiables de toma de decisiones

El objetivo de la metodología es minimizar el esfuerzo realizado por el especialista en términos de observación de imágenes a gran escala, buscando la construcción de sistemas de toma de decisiones de alta precisión.

"El enfoque clásico, que utiliza ejemplos pregrabados y sin interacción humana durante el entrenamiento, deja varias preguntas sin respuesta. Son preguntas imprescindibles, tales como cuántos ejemplos se necesitan para que las máquinas aprendan o cómo explicar las decisiones tomadas por la máquina. Nuestra metodología consiste en incluir al especialista en el ciclo de aprendizaje automático para que preguntas como estas sean respondidas, " él dijo.

Por lo tanto, La estrategia utilizada por el equipo de Falcão para construir sistemas confiables de toma de decisiones ha sido explorar habilidades complementarias. "Los seres humanos son superiores en la abstracción del conocimiento. Las máquinas no se cansan y son mejores para procesar grandes cantidades de datos. Por lo tanto, el esfuerzo del especialista se minimiza controlando el ciclo de aprendizaje y las decisiones de las máquinas se vuelven explicables, " él dijo.