El avance de la IA podría revolucionar la forma en que investigamos los fósiles de dinosaurios

Una de las aplicaciones más prometedoras de las tecnologías de inteligencia artificial es la identificación de tumores a partir de imágenes médicas de alta resolución. ¿Se pueden usar las mismas técnicas para ayudar a los paleontólogos a analizar más rápidamente escaneos similares de fósiles de dinosaurios? Los investigadores informaron algunas de las primeras respuestas, y los desafíos restantes, en un nuevo artículo publicado en Fronteras en Ciencias de la Tierra.

Gran parte de lo que los científicos pueden deducir del registro fósil de los dinosaurios se basa en la morfología de los restos conservados de los animales. Para estudiar la estructura interior de una muestra generalmente se requiere cortar secciones delgadas, destruyendo efectivamente la muestra en el proceso. Eso cambió con la introducción de tecnologías de escaneo de alta resolución como la tomografía computarizada (TC) de rayos X, que básicamente reconstruye estructuras internas en tres dimensiones usando radiación y software digital.

Si bien el uso de la tecnología CT ayuda a preservar especímenes y generar datos muy útiles, las imágenes en sí mismas presentan sus propios desafíos. Los escaneos diferencian varios materiales, por ejemplo, huesos fosilizados frente a la roca que los encierra, en función de la absorción de la radiación de rayos X. Densidades similares pueden hacer que sea extremadamente difícil determinar dónde comienza un objeto y termina otro. Eso significa que los investigadores tienen que confiar en la segmentación manual, un proceso laborioso para clasificar secciones similares de una imagen.

Poniendo a prueba la IA

La IA puede segmentar imágenes en minutos, en comparación con días o incluso semanas para un paleontólogo. La pregunta es si una computadora puede clasificar secciones vóxel por vóxel a la par que un profesional capacitado. Los investigadores 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 familiar Triceratops. Los fósiles habían sido recuperados en la década de 1990 del desierto de Gobi en Mongolia.

Si bien los modelos no funcionaron tan bien como los humanos, la precisión y la velocidad de procesamiento mostraron que las redes neuronales profundas pueden reducir significativamente el tiempo para diferenciar los fósiles de las matrices rocosas.

Necesidad de datos más grandes, mejores algoritmos

Además de un procesamiento de imágenes más rápido, el uso de IA en paleontología puede ayudar a establecer estándares de investigación, según Congyu Yu, autor principal del estudio y Ph.D. estudiante de la Escuela de Graduados Richard Gilder en el Museo Americano de Historia Natural. El Dr. Mark A. Norell, coautor del artículo también en AMNH, es 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 conduce a varias reconstrucciones de la historia evolutiva», explicó Yu. «En algunos casos, las imágenes de TC pueden reconstruirse deliberadamente para seguir una idea dada. El uso de la segmentación de IA puede detectar esos fraudes sin aumentar demasiado el costo».

Sin embargo, hay más trabajo por hacer antes de que eso suceda. Incluso el mejor modelo de la prueba Protoceratops tuvo problemas para funcionar bien en otros fósiles de dinosaurios del mismo estrato rocoso y región.

«La generalización siempre es un problema para las tareas basadas en IA», señaló Yu, y agregó que los investigadores continúan entrenando y probando modelos de aprendizaje profundo en imágenes de TC de más taxones fósiles y varios entornos de conservación de excavaciones anteriores en Mongolia.

«Confiamos en que un modelo de segmentación de fósiles del desierto de Gobi no está muy lejos, pero un modelo más generalizado necesita no solo más conjuntos de datos de entrenamiento, sino también innovaciones en los algoritmos», dijo. «Creo que el aprendizaje profundo puede eventualmente procesar imágenes mejor que nosotros, y ya ha habido varios ejemplos en los que el rendimiento del aprendizaje profundo supera a los humanos, incluido el juego Go y la predicción de estructura 3D de proteínas».