Le macchine possono essere addestrate per classificare le immagini e quindi identificare i tumori nelle scansioni TC, composizioni minerali nelle rocce, o patologie nelle analisi di microscopia ottica. Questa tecnica di intelligenza artificiale è nota come apprendimento automatico e ha acquisito nuove applicazioni negli ultimi anni.

L'addestramento alla macchina viene effettuato attraverso la ripetizione di immagini utilizzate come esempi di un particolare contesto o situazione e l'adeguata preparazione di quel materiale richiede lo sforzo di esperti di una varietà di settori.

"L'essere umano coordina [l'addestramento], senza uno specialista che controlli il processo di addestramento, la macchina imparerebbe a prendere decisioni in base a caratteristiche dell'immagine che non sono correlate al problema di destinazione. Ciò genera un risultato scadente o limitato al database in cui è stata addestrata la macchina. Quando il database cambia, gli errori aumentano notevolmente, rendendo l'analisi della macchina inaffidabile, " ha detto Alexandre Xavier Falcão, dell'Istituto di Informatica dell'Università di Campinas (UNICAMP), in una conferenza tenuta alla FAPESP Week France.

Falcão ha unito la scienza informatica e altre aree di conoscenza basate su progetti di apprendimento automatico in una linea di ricerca che indaga l'interazione uomo-macchina nel processo decisionale.

Automazione del rilevamento dei parassiti

Uno dei progetti guidati da Falcão e presentato alla FAPESP Week France mira ad automatizzare il rilevamento dei parassiti nelle analisi delle feci. La ricerca è stata condotta tramite una partnership tra Immunocamp (azienda di Campinas specializzata in prodotti ospedalieri) e ricercatori degli Istituti di Informatica e Chimica di UNICAMP, nonché la Scuola di Scienze Mediche della stessa università.

Il team interdisciplinare ha sviluppato una macchina in grado di identificare le 15 specie di parassiti più diffuse che infettano l'uomo in Brasile.

La tecnica di apprendimento automatico ha mostrato un'efficienza superiore al 90%, che è molto superiore alle analisi convenzionali effettuate dall'uomo attraverso l'analisi visiva di vetrini per microscopia ottica, le cui percentuali variano dal 48 per cento al 76 per cento al massimo. La macchina è anche in grado di elaborare 2, 000 immagini in quattro minuti.

"L'idea non è quella di sostituire il lavoro degli umani, non da ultimo perché hanno bisogno di addestrare le macchine per identificare più specie di parassiti e confermare la diagnosi di agenti patogeni rilevati dalla macchina, ma piuttosto per evitare la fatica umana e aumentare la precisione dei risultati, " Egli ha detto.

Una delle innovazioni create dal team di UNICAMP è stato un sistema per la separazione di parassiti e impurità basato sul principio della flottazione ad aria disciolta, che consente di generare vetrini per microscopia ottica con meno impurità.

Nella parte di scienza dei dati, la macchina è in grado di effettuare una scansione automatizzata del vetrino e rilevare i parassiti che compaiono nelle immagini sullo schermo del computer. Ciò è stato possibile utilizzando tecniche computazionali che separano i componenti dell'immagine per verificare e decidere se sono correlati a impurità oa una delle 15 specie parassite.

"L'interazione uomo-macchina ha il potenziale per ridurre lo sforzo umano e aumentare la fiducia nella decisione algoritmica. Il nostro approccio ha dimostrato che includere lo specialista nel ciclo di formazione genera sistemi decisionali affidabili basati sull'analisi delle immagini".

Sistemi decisionali affidabili

Lo scopo della metodologia è ridurre al minimo lo sforzo compiuto dallo specialista in termini di osservazione di immagini su larga scala, ricercando la costruzione di sistemi decisionali altamente accurati.

"L'approccio classico, che utilizza esempi preregistrati e nessuna interazione umana durante l'allenamento, lascia diverse domande senza risposta. Sono domande essenziali, ad esempio quanti esempi sono necessari affinché le macchine imparino o come spiegare le decisioni prese dalla macchina. La nostra metodologia consiste nell'includere lo specialista nel ciclo di apprendimento automatico in modo che a domande come queste venga data risposta, " Egli ha detto.

Perciò, la strategia utilizzata dal team di Falcão per costruire sistemi decisionali affidabili è stata quella di esplorare abilità complementari. "Gli esseri umani sono superiori nell'astrazione della conoscenza. Le macchine non si stancano e sono più brave nell'elaborazione di grandi quantità di dati. Quindi, lo sforzo dello specialista è ridotto al minimo controllando il ciclo di apprendimento e le decisioni delle macchine diventano spiegabili, " Egli ha detto.