Maskiner kan utbildas för att klassificera bilder och därmed identifiera tumörer i CT -skanningar, mineralkompositioner i bergarter, eller patologier i optiska mikroskopi analyser. Denna artificiella intelligensteknik är känd som maskininlärning och har fått nya tillämpningar under de senaste åren.

Maskinträning utförs genom upprepning av bilder som används som exempel på ett visst sammanhang eller en situation och en adekvat förberedelse av det materialet kräver ansträngning från experter från olika områden.

"Människan koordinerar [utbildningen] - utan en specialist som styr träningsprocessen, maskinen skulle lära sig att fatta beslut baserat på bildens egenskaper som inte är relaterade till målproblemet. Detta genererar ett dåligt resultat eller ett som är begränsat till databasen där maskinen utbildades. När databasen ändras, fel ökar avsevärt, gör maskinanalysen opålitlig, "sa Alexandre Xavier Falcão, från Institute of Computing vid University of Campinas (UNICAMP), i en föreläsning som hölls på FAPESP Week France.

Falcão har kombinerat datavetenskap och andra kunskapsområden baserat på maskininlärningsprojekt i en forskningslinje som undersöker interaktion mellan människor och beslutsfattande.

Automatisering av parasitdetektering

Ett av projekten som leddes av Falcão och presenterades vid FAPESP Week France syftar till att automatisera parasitdetektering i avföringsanalyser. Forskningen genomfördes via ett partnerskap mellan Immunocamp (ett Campinas-baserat företag specialiserat på sjukhusprodukter) och forskare från Institutes of Computing and Chemistry of UNICAMP, liksom School of Medical Sciences vid samma universitet.

Det tvärvetenskapliga teamet har utvecklat en maskin som kan identifiera de 15 vanligaste parasiterna som infekterar människor i Brasilien.

Maskininlärningstekniken visade mer än 90 procent effektivitet, vilket är mycket högre än de konventionella analyserna som utförts av människor genom visuell analys av optiska mikroskopi -objektglas, vars skattesatser varierar från 48 procent till 76 procent som mest. Maskinen kan också bearbeta 2, 000 bilder på fyra minuter.

"Tanken är inte att ersätta människors arbete, inte minst för att de behöver träna maskinerna för att identifiera fler parasitarter och bekräfta diagnosen patogener som upptäcks av maskinen, men snarare för att undvika mänsklig trötthet och öka precisionen i resultaten, " han sa.

En av innovationerna som skapades av teamet från UNICAMP var ett system för att separera parasiter och föroreningar baserat på principen om upplöst luftflotation, vilket gör att optiska mikroskopi -objektglas med färre föroreningar kan genereras.

I datavetenskapliga delen, maskinen kan utföra en automatisk skanning av bilden och upptäcka parasiter som visas i bilder på datorskärmen. Detta var möjligt med hjälp av beräkningstekniker som separerar bildkomponenterna för att verifiera och avgöra om de är relaterade antingen till föroreningar eller till en av de 15 parasitiska arterna.

"Interaktionen mellan människa och maskin har potential att minska mänsklig ansträngning och öka förtroendet för det algoritmiska beslutet. Vår metod har visat att inkludering av specialisten i utbildningscykeln genererar tillförlitliga beslutssystem baserade på bildanalys."

Pålitliga beslutsfattande system

Syftet med metoden är att minimera ansträngningen från specialisten när det gäller storskalig bildobservation, man vill bygga mycket noggranna beslutssystem.

"Det klassiska tillvägagångssättet, som använder förinspelade exempel och ingen mänsklig interaktion under träning, lämnar olika frågor obesvarade. De är viktiga frågor, till exempel hur många exempel som behövs för att maskinerna ska lära sig eller hur man förklarar de beslut som maskinen fattar. Vår metod består av att inkludera specialisten i maskininlärningscykeln så att frågor som dessa besvaras, " han sa.

Därför, strategin som används av Falcãos team för att bygga tillförlitliga beslutssystem har varit att utforska kompletterande förmågor. "Människor är överlägsna i kunskapsabstraktion. Maskiner tröttnar inte och är bättre på att bearbeta stora mängder data. Så, specialistens ansträngning minimeras genom att kontrollera inlärningscykeln och maskinernas beslut blir förklarliga, " han sa.