[ad_1]
Il movimento offre una finestra su come il cervello funziona e controlla il corpo. Dall’osservazione con appunti e penna alle moderne tecniche basate sull’intelligenza artificiale, il monitoraggio dei movimenti umani e animali ha fatto molta strada. Gli attuali metodi all’avanguardia utilizzano l’intelligenza artificiale per tracciare automaticamente le parti del corpo mentre si muovono. Tuttavia, l’addestramento di questi modelli richiede ancora molto tempo ed è limitato dalla necessità per i ricercatori di contrassegnare manualmente ciascuna parte del corpo centinaia o migliaia di volte.
Ora, il professore associato Eiman Azim e il suo team hanno creato GlowTrack, un metodo di tracciamento del movimento non invasivo che utilizza marcatori coloranti fluorescenti per addestrare l’intelligenza artificiale. GlowTrack è robusto, efficiente in termini di tempo e ad alta definizione, in grado di tracciare una singola cifra sulla zampa di un topo o centinaia di punti di riferimento su una mano umana.
La tecnica, pubblicata in Comunicazioni sulla natura il 26 settembre 2023, ha applicazioni che spaziano dalla biologia alla robotica, alla medicina e oltre.
“Negli ultimi anni, c’è stata una rivoluzione nel monitoraggio del comportamento grazie all’introduzione in laboratorio di potenti strumenti di intelligenza artificiale”, afferma Azim, autore senior e titolare della William Scandling Developmental Chair. “Il nostro approccio rende questi strumenti più versatili, migliorando il modo in cui catturiamo i diversi movimenti in laboratorio. Una migliore quantificazione del movimento ci fornisce una visione migliore di come il cervello controlla il comportamento e potrebbe aiutare nello studio dei disturbi del movimento come la sclerosi laterale amiotrofica (SLA) e il morbo di Parkinson.”
Gli attuali metodi per catturare il movimento degli animali spesso richiedono ai ricercatori di contrassegnare manualmente e ripetutamente parti del corpo sullo schermo di un computer, un processo dispendioso in termini di tempo soggetto a errori umani e vincoli di tempo. L’annotazione umana significa che questi metodi possono solitamente essere utilizzati solo in un ambiente di test ristretto, poiché i modelli di intelligenza artificiale sono specializzati nella quantità limitata di dati di addestramento che ricevono. Ad esempio, se la luce, l’orientamento del corpo dell’animale, l’angolazione della telecamera o qualsiasi altro fattore cambiassero, il modello non riconoscerebbe più la parte del corpo tracciata.
Per ovviare a queste limitazioni, i ricercatori hanno utilizzato coloranti fluorescenti per etichettare parti del corpo animale o umano. Con questi marcatori fluorescenti “invisibili”, è possibile creare rapidamente un’enorme quantità di dati visivamente diversi e inserirli nei modelli di intelligenza artificiale senza la necessità di annotazioni umane. Una volta alimentati questi dati affidabili, questi modelli possono essere utilizzati per tracciare i movimenti in una serie di ambienti molto più diversificati e con una risoluzione che sarebbe molto più difficile da ottenere con l’etichettatura manuale da parte dell’uomo.
Ciò apre la porta a un confronto più semplice dei dati di movimento tra studi, poiché diversi laboratori possono utilizzare gli stessi modelli per monitorare il movimento del corpo in una varietà di situazioni. Secondo Azim, il confronto e la riproducibilità degli esperimenti sono essenziali nel processo di scoperta scientifica.
“I marcatori fluorescenti erano la soluzione perfetta”, afferma il primo autore Daniel Butler, analista bioinformatico di Salk. Come l’inchiostro invisibile su una banconota da un dollaro che si illumina solo quando lo desideri, i nostri pennarelli fluorescenti possono essere accesi e spenti in un batter d’occhio, permettendoci di generare un’enorme quantità di dati di addestramento.”
In futuro, il team è entusiasta di supportare diverse applicazioni di GlowTrack e di abbinare le sue capacità con altri strumenti di tracciamento che ricostruiscono i movimenti in tre dimensioni e con approcci di analisi in grado di sondare questi vasti set di dati di movimento per individuare modelli.
“Il nostro approccio può avvantaggiare una serie di campi che necessitano di strumenti più sensibili, affidabili e completi per catturare e quantificare il movimento”, afferma Azim. “Sono ansioso di vedere come altri scienziati e non scienziati adotteranno questi metodi e quali applicazioni uniche e impreviste potrebbero sorgere”.
Altri autori includono Alexander Keim e Shantanu Ray di Salk.
Il lavoro è stato sostenuto dal programma di formazione CMG dell’UC San Diego, dal Jesse and Caryl Philips Foundation Award, dal National Institutes of Health (R00NS088193, DP2NS105555, R01NS111479, RF1NS128898 e U19NS112959), dal Searle Scholars Program, dal Pew Charitable Trusts e la Fondazione McKnight.
[ad_2]
Source link
