Uma das aplicações mais promissoras das tecnologias de inteligência artificial é a identificação de tumores a partir de imagens médicas de alta resolução. As mesmas técnicas podem ser usadas para ajudar os paleontólogos a analisar mais rapidamente varreduras semelhantes de fósseis de dinossauros? Pesquisadores relataram algumas das primeiras respostas – e desafios remanescentes – em um novo artigo publicado na Frontiers in Earth Science.
Muito do que os cientistas podem obter do registro fóssil dos dinossauros depende da morfologia dos restos preservados dos animais. Estudar a estrutura interior de uma amostra geralmente requer o corte de seções finas, destruindo efetivamente a amostra no processo. Isso mudou com a introdução de tecnologias de escaneamento de alta resolução, como a tomografia computadorizada de raios X (TC), que basicamente reconstrói estruturas internas em três dimensões usando radiação e software digital.
Embora o uso da tecnologia de TC ajude a preservar os espécimes e a gerar dados muito úteis, as próprias imagens apresentam seus próprios desafios. As varreduras diferenciam vários materiais – por exemplo, ossos fossilizados versus a rocha que os envolve – com base na absorção da radiação de raios-X. Densidades semelhantes podem tornar extremamente difícil determinar onde um objeto começa e outro termina. Isso significa que os pesquisadores precisam confiar na segmentação manual, um processo trabalhoso para classificar seções semelhantes de uma imagem.
Colocando a IA à prova
A IA pode fazer a segmentação de imagens em minutos, em comparação com dias ou até semanas para um paleontólogo. A questão é se um computador pode classificar seções voxel por voxel em pé de igualdade com um profissional treinado. Os pesquisadores tentaram descobrir usando diferentes tipos de redes neurais profundas, um tipo de modelo de IA que imita o cérebro humano.
A equipe treinou e testou os sistemas de IA usando mais de 10.000 tomografias computadorizadas de três crânios embrionários bem preservados de Protoceratops, um parente menor do gênero Triceratops mais familiar. Os fósseis foram recuperados na década de 1990 no deserto de Gobi, na Mongólia.
Embora os modelos não tenham um desempenho tão bom quanto um humano, a precisão e a velocidade de processamento mostraram que as redes neurais profundas podem reduzir significativamente o tempo para diferenciar fósseis de matrizes rochosas.
Necessidade de dados maiores, algoritmos melhores
Além de processamento de imagem mais rápido, o uso de IA em paleontologia pode ajudar a estabelecer padrões de pesquisa, de acordo com Congyu Yu, principal autor do estudo e Ph.D. estudante da Richard Gilder Graduate School do Museu Americano de História Natural. Dr. Mark A. Norell, co-autor do artigo também no AMNH, é bem conhecido por seu trabalho investigando as ligações evolutivas entre dinossauros e pássaros.
“Diferentes pesquisadores podem ter diferentes interpretações sobre a mesma estrutura, o que leva a várias reconstruções da história evolutiva”, explicou Yu. “Em alguns casos, as imagens de TC podem ser deliberadamente reconstruídas para seguir uma determinada ideia. Usar a segmentação de IA pode detectar essas fraudes sem aumentar muito o custo.”
No entanto, há mais trabalho a fazer antes que isso aconteça. Mesmo o melhor modelo do teste de Protoceratops teve um bom desempenho em outros fósseis de dinossauros do mesmo estrato rochoso e região.
“A generalização é sempre um problema para tarefas baseadas em IA”, observou Yu, acrescentando que os pesquisadores continuam treinando e testando modelos de aprendizado profundo em imagens de TC de mais táxons fósseis e vários ambientes de preservação de escavações anteriores na Mongólia.
“Estamos confiantes de que um modelo de segmentação para fósseis do deserto de Gobi não está longe, mas um modelo mais generalizado precisa não apenas de mais conjuntos de dados de treinamento, mas também de inovações em algoritmos”, disse ele. “Acredito que o aprendizado profundo pode eventualmente processar imagens melhor do que nós, e já houve vários exemplos de desempenho de aprendizado profundo que excede os humanos, incluindo jogos Go e previsão de estrutura 3D de proteínas”.
Publicado em 28/01/2022 08h12
Artigo original:
Estudo original: