Inteligencia Artificial para revolucionar el estudio de dinosaurios

Restos de un ictiosaurio
Restos de un ictiosaurio - PIXABAY
Actualizado: jueves, 27 enero 2022 10:12

   MADRID, 27 Ene. (EUROPA PRESS) -

   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.

   Gran parte de lo que los científicos pueden extraer del registro fósil de los dinosaurios se basa en la morfología de los restos conservados de los animales. El estudio de la estructura interior de un espécimen suele requerir el corte de secciones finas, lo que destruye la muestra en el proceso. Esto cambió con la introducción de tecnologías de exploración de alta resolución, como la tomografía computarizada (TC), que básicamente reconstruye las estructuras internas en tres dimensiones utilizando radiación y software digital.

   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".

Leer más acerca de: