La interacción humano-máquina permite crear sistemas de toma de decisiones con un alto índice de aciertos

Durante su conferencia en la FAPESP Week France, el científico brasileño que creó una herramienta para automatizar la detección de parásitos en análisis de materia fecal sostuvo que es esencial incluir a expertos de diversas áreas en los proyectos de machine learning para aumentar la precisión de los resultados

Por Maria Fernanda Ziegler, desde Lyon  |  Agência FAPESP – Puede entrenarse a las máquinas para catalogar imágenes e identificar así tumores en tomografías, composiciones mineralógicas en rocas o patologías en análisis de microscopía óptica. A esta técnica de inteligencia artificial se la conoce con el nombre de aprendizaje de máquinas, y ha venido adquiriendo nuevas aplicaciones en los últimos años.

El entrenamiento de las máquinas se lleva a cabo mediante la repetición de imágenes que se emplean como ejemplos de un determinado contexto o de una situación, y la preparación adecuada de este material requiere de un esfuerzo de expertos de las más diversas áreas.

“Quien coordina es humano. Sin el control del especialista sobre el proceso de entrenamiento, la máquina puede aprender a tomar decisiones con base en las características de la imagen que no están relacionadas con el problema que constituye el objetivo. Esto genera un mal resultado o un resultado acotado a aquella base de datos donde se entrenó la máquina. Cuando cambia la base de datos, el error aumenta considerablemente, lo cual hace que el análisis de la máquina se vuelva poco confiable”, dijo Alexandre Xavier Falcão, del Instituto de Computación de la Universidad de Campinas (Unicamp), durante la conferencia que dictó el jueves 21 de noviembre en la FAPESP Week France.

Falcão ha venido uniendo la ciencia de la computación con distintas áreas del conocimiento en proyectos de machine learning, desarrollados con el apoyo de la FAPESP, en el marco de una línea de investigación en la cual se estudia la interacción humano-máquina en la toma de decisiones.

La automatización en la detección de parásitos

El objetivo de uno de los proyectos que encabeza Falcão y que se dieron a conocer durante la FAPESP Week France consistió en automatizar la detección de parásitos en análisis de materia fecal. Esta investigación se llevó a cabo mediante una colaboración entre la empresa Immunocamp e investigadores de los Institutos de Computación y de Química de la Unicamp, y también de la Facultad de Ciencias Médicas de la misma universidad.

Este equipo interdisciplinario desarrolló una máquina –que está patentada y que pronto estará disponible en el mercado– capaz de identificar las 15 especies más prevalentes de parásitos que infectan a humanos en Brasil.

La técnica de aprendizaje de máquinas mostró una eficiencia superior al 90%, mucho mayor que la de los análisis convencionales realizados por humanos mediante el examen visual de láminas de microscopía óptica, cuyos índices varían del 48% al 76%, a lo sumo. La máquina también es capaz de procesar 2.000 imágenes en cuatro minutos.

“La idea no es reemplazar el trabajo humano, incluso porque los humanos deben entrenar a la máquina para la identificación de otras especies de parásitos y confirmar el diagnóstico de los patógenos que la máquina detecta, sino evitar la fatiga humana e incrementar la precisión de los resultados”, dijo.

Esta tecnología inédita contó también con el apoyo de la FAPESP a través del Programa de Investigación Innovadora en Pequeñas Empresas (PIPE).

El aprendizaje de máquinas interactivo

De acuerdo con Falcão, la primera dificultad del proyecto residió en enseñarle a la máquina a distinguir en las imágenes qué eran impurezas y qué eran efectivamente parásitos. “Solo logramos sortear este obstáculo mediante la combinación entre técnicas de procesamiento de imágenes, aprendizaje interactivo de máquinas y visualización. El especialista y la máquina participan en forma colaborativa en el ciclo del aprendizaje de la máquina. Otro punto importante reside en que diversas áreas de la salud y de la química han creado técnicas para generar láminas de microscopía óptica más ricas en parásitos y con menos impurezas fecales”, dijo.

Una de las innovaciones que creó el equipo de la Unicamp fue un sistema de separación de parásitos e impurezas basado en el principio de flotación de aire disuelto, que permite generar láminas de microscopía óptica con menos impurezas.

En tanto, en la parte de ciencia de datos, la máquina es capaz de efectuar el barrido automatizado de la lámina y detectar la presencia de parásitos, que aparecen en imágenes en la pantalla de la computadora. Esto fue posible mediante el empleo de técnicas computacionales que separan los componentes de las imágenes para verificar y decidir si se trata de una impureza o de una de las 15 especies parasitarias.

“La interacción humano-máquina cuenta con potencial como para disminuir el esfuerzo humano y aumentar la confianza en la decisión algorítmica. Nuestro abordaje ha demostrado que la inclusión del especialista en el ciclo de entrenamiento genera sistemas confiables de toma de decisiones basadas en análisis de imágenes”.

Un sistema de decisiones confiables

La intención con esta metodología consiste en minimizar el esfuerzo del especialista en la anotación de imágenes a gran escala para la elaboración de sistemas de toma de decisiones con un alto índice de aciertos.

“El abordaje clásico, que se vale de ejemplos apuntados previamente y sin interacción humana durante el entrenamiento, deja varias preguntas sin respuesta. Son cuestiones esenciales, tales como cuántos ejemplos son necesarios para que la máquina aprenda o cómo explicar las decisiones que la máquina toma. Nuestra metodología consiste en incluir al especialista en el ciclo de aprendizaje de máquinas para contestar preguntas como estas”, dijo.

De esta forma, la estrategia del equipo de Falcão para construir sistemas de toma de decisiones confiables ha consistido en explotar habilidades complementarias. “Los humanos son superiores en la abstracción de conocimiento. En tanto, las máquinas no se cansan y son mejores en el procesamiento de grandes cantidades de datos. De este modo, el esfuerzo del especialista se minimiza al controlar el ciclo de aprendizaje, y las decisiones de las máquinas pasan a ser explicables”, dijo.

El simposio FAPESP Week France se llevó a cabo entre los días 21 y 27 de noviembre, en el marco de una colaboración entre la FAPESP y las universidades de Lyon y de París, ambas de França. Lea otras noticias sobre este evento en: www.fapesp.br/week2019/france/.