Un agente immobiliare invia a un potenziale acquirente di una casa una fotografia sfocata di una casa scattata dall'altra parte della strada. L'acquirente della casa può confrontarlo con la cosa reale:guarda l'immagine, poi guarda la vera casa e vedi che il bovindo è in realtà due finestre vicine tra loro, i fiori davanti sono di plastica e quella che sembrava una porta è in realtà un buco nel muro.

E se non guardassi la foto di una casa, ma qualcosa di molto piccolo, come una proteina? Non c'è modo di vederlo senza un dispositivo specializzato, quindi non c'è niente su cui giudicare l'immagine, nessuna verità fondamentale, ' come si chiama. Non c'è molto da fare se non confidare che l'apparecchiatura di imaging e il modello di computer utilizzato per creare le immagini siano accurati.

Ora, però, la ricerca del laboratorio di Matthew Lew presso la McKelvey School of Engineering della Washington University di St. Louis ha sviluppato un metodo computazionale per determinare quanta fiducia dovrebbe avere uno scienziato che le sue misurazioni, in un dato punto, sono precisi, dato il modello utilizzato per produrli.

La ricerca è stata pubblicata l'11 dicembre in Comunicazioni sulla natura .

"Fondamentalmente, questo è uno strumento forense per dirti se qualcosa è giusto o no, "disse Leo, professore assistente presso il Preston M. Green Department of Electrical &Systems Engineering. Non è semplicemente un modo per ottenere un'immagine più nitida. "Questo è un modo completamente nuovo di convalidare l'affidabilità di ogni dettaglio all'interno di un'immagine scientifica.

"Non si tratta di fornire una risoluzione migliore, " ha aggiunto del metodo di calcolo, chiamato flusso indotto da Wasserstein (WIF). "Sta dicendo, 'Questa parte dell'immagine potrebbe essere sbagliata o fuori luogo.'"

Il processo utilizzato dagli scienziati per "vedere" la microscopia di localizzazione a molecola singola molto piccola (SMLM) si basa sull'acquisizione di enormi quantità di informazioni dall'oggetto ripreso. Tali informazioni vengono poi interpretate da un modello informatico che alla fine elimina la maggior parte dei dati, ricostruire un'immagine apparentemente accurata, un quadro fedele di una struttura biologica, come una proteina amiloide o una membrana cellulare.

Ci sono alcuni metodi già in uso per aiutare a determinare se un'immagine è, parlando in generale, una buona rappresentazione dell'oggetto rappresentato. Questi metodi, però, non è possibile determinare la probabilità che un singolo punto dati all'interno di un'immagine sia accurato.

Hesam Mazidi, un neolaureato che era uno studente di dottorato nel laboratorio di Lew per questa ricerca, affrontato il problema.

"Volevamo vedere se c'era un modo per fare qualcosa su questo scenario senza la verità sul terreno, " ha detto. "Se potessimo usare la modellazione e l'analisi algoritmica per quantificare se le nostre misurazioni sono fedeli, o abbastanza preciso."

I ricercatori non avevano la verità sul terreno - nessuna casa da confrontare con l'immagine dell'agente immobiliare - ma non erano a mani vuote. Avevano una quantità di dati che di solito viene ignorata. Mazidi ha sfruttato l'enorme quantità di informazioni raccolte dal dispositivo di imaging che di solito viene scartato come rumore. La distribuzione del rumore è qualcosa che i ricercatori possono usare come verità fondamentale perché è conforme a specifiche leggi della fisica.

"Era in grado di dire, 'So come si manifesta il rumore dell'immagine, questa è una legge fisica fondamentale, '" ha detto Lew dell'intuizione di Mazidi.

"Tornò al rumoroso, dominio imperfetto della misurazione scientifica effettiva, " Ha detto Lew. Tutti i punti dati registrati dal dispositivo di imaging. "Ci sono dati reali lì che le persone buttano via e ignorano".

Invece di ignorarlo, Mazidi ha cercato di vedere quanto bene il modello prevedesse il rumore, data l'immagine finale e il modello che l'ha creata.

Analizzare così tanti punti dati è come far funzionare il dispositivo di imaging più e più volte, eseguire più cicli di test per calibrarlo.

"Tutte queste misurazioni ci danno fiducia statistica, " ha detto Leo.

WIF consente loro di determinare non se l'intera immagine è probabile in base al modello, ma, considerando l'immagine, se un dato punto sull'immagine è probabile, sulla base dei presupposti incorporati nel modello.

In definitiva, Mazidi ha sviluppato un metodo che può dire con una forte sicurezza statistica che un dato punto di dati nell'immagine finale dovrebbe o non dovrebbe essere in un punto particolare.

È come se l'algoritmo analizzasse l'immagine della casa e, senza aver mai visto il luogo, ripulisse l'immagine, rivelando il buco nel muro.

Alla fine, l'analisi produce un singolo numero per punto dati, tra -1 e 1. Più vicino a uno, più uno scienziato può essere sicuro che un punto su un'immagine sia, infatti, rappresentare accuratamente l'oggetto rappresentato.

Questo processo può anche aiutare gli scienziati a migliorare i loro modelli. "Se puoi quantificare le prestazioni, quindi puoi anche migliorare il tuo modello usando il punteggio, " Ha detto Mazidi. Senza accesso alla verità sul terreno, "ci consente di valutare le prestazioni in condizioni sperimentali reali piuttosto che in una simulazione".

I potenziali usi per WIF sono di vasta portata. Lew ha detto che il prossimo passo è usarlo per convalidare l'apprendimento automatico, dove set di dati distorti possono produrre risultati imprecisi.

Come fa un ricercatore a sapere, in tal caso, che i loro dati erano distorti? "Utilizzando questo modello, saresti in grado di testare su dati che non hanno verità di base, dove non sai se la rete neurale è stata addestrata con dati simili ai dati del mondo reale.

"Bisogna prestare attenzione in ogni tipo di misurazione che si effettua, " ha detto Lew. "A volte vogliamo solo premere il grande pulsante rosso e vedere cosa otteniamo, ma dobbiamo ricordare, quando si preme quel pulsante succedono molte cose".