Il ruolo dell’apprendimento automatico e della visione artificiale nell’immagineomica

Il campo dell’immagineomica mira ad aiutare a esplorare domande fondamentali sui processi biologici sulla Terra combinando immagini di organismi viventi con analisi e scoperte abilitate dal computer.

Wei-Lun Chao, ricercatore presso l’Imageomics Institute dell’Ohio State University e illustre assistente professore di ingegneria inclusiva di eccellenza in informatica e ingegneria presso l’Ohio State, ha tenuto una presentazione approfondita sugli ultimi progressi della ricerca nel campo il mese scorso all’annuale riunione dell’Associazione Americana per l’Avanzamento della Scienza.

Chao e altri due relatori hanno descritto come l’immagineomica potrebbe trasformare la comprensione della società del mondo biologico ed ecologico trasformando le domande di ricerca in problemi computabili. La presentazione di Chao si è concentrata sulla potenziale applicazione dell’immagineomica per problemi di livello micro e macro.

“Oggi abbiamo molti rapidi progressi nelle tecniche di apprendimento automatico e di visione artificiale”, ha affermato Chao. “Se li usiamo in modo appropriato, potrebbero davvero aiutare gli scienziati a risolvere problemi critici ma laboriosi.”

Mentre alcuni problemi di ricerca potrebbero richiedere anni o decenni per essere risolti manualmente, i ricercatori dell’immagineomica suggeriscono che con l’aiuto di tecniche di visione artificiale e artificiale – come il riconoscimento di modelli e l’allineamento multimodale – il tasso e l’efficienza delle scoperte scientifiche di prossima generazione potrebbero essere ampliato in modo esponenziale.

“Se riusciamo a incorporare la conoscenza biologica che le persone hanno raccolto nel corso di decenni e secoli nelle tecniche di apprendimento automatico, possiamo contribuire a migliorare le loro capacità in termini di interpretabilità e scoperta scientifica”, ha affermato Chao.

Uno dei modi in cui Chao e i suoi colleghi stanno lavorando per raggiungere questo obiettivo è creando modelli di base nell’immagineomica che sfrutteranno i dati provenienti da tutti i tipi di fonti per consentire varie attività. Un altro modo è sviluppare modelli di apprendimento automatico in grado di identificare e persino scoprire tratti che rendano più semplice per i computer riconoscere e classificare gli oggetti nelle immagini, che è ciò che ha fatto il team di Chao.

“I metodi tradizionali per la classificazione delle immagini con rilevamento dei tratti richiedono un’enorme quantità di annotazioni umane, ma il nostro metodo no”, ha affermato Chao. “Siamo stati ispirati a sviluppare il nostro algoritmo attraverso il modo in cui biologi ed ecologisti cercano tratti per differenziare varie specie di organismi biologici.”

I classificatori di immagini convenzionali basati sull’apprendimento automatico hanno raggiunto un elevato livello di precisione analizzando un’immagine nel suo insieme e quindi etichettandola in una determinata categoria di oggetti. Tuttavia, il team di Chao adotta un approccio più proattivo: il loro metodo insegna all’algoritmo a cercare attivamente tratti come colori e motivi in ​​qualsiasi immagine che siano specifici della classe di un oggetto – come la sua specie animale – mentre viene analizzato.

In questo modo, l’immagineomica può offrire ai biologi un resoconto molto più dettagliato di ciò che è e non è rivelato nell’immagine, aprendo la strada a un’analisi visiva più rapida e accurata. La cosa più interessante, ha detto Chao, è che si è dimostrato in grado di gestire compiti di riconoscimento per specie a grana fine molto difficili da identificare, come i mimeti delle farfalle, il cui aspetto è caratterizzato da dettagli fini e varietà nei modelli delle ali e nella colorazione.

La facilità con cui l’algoritmo può essere utilizzato potrebbe potenzialmente consentire anche di integrare l’immagineomica in una varietà di altri scopi diversi, che vanno dalla ricerca sul clima alla scienza dei materiali, ha affermato.

Chao ha affermato che uno degli aspetti più impegnativi nel promuovere la ricerca sull’immagineomica è l’integrazione di diverse parti della cultura scientifica per raccogliere dati sufficienti e formare nuove ipotesi scientifiche da essi.

È uno dei motivi per cui la collaborazione tra diversi tipi di scienziati e discipline è parte integrante del campo, ha affermato. La ricerca sull’immagineomica continuerà ad evolversi, ma per ora Chao è entusiasta del suo potenziale nel consentire al mondo naturale di essere visto e compreso in modi nuovi e interdisciplinari.

“Ciò che vogliamo veramente è che l’intelligenza artificiale abbia una forte integrazione con la conoscenza scientifica, e direi che l’immagineomica è un ottimo punto di partenza in tal senso”, ha affermato.

La presentazione AAAS di Chao, intitolata “An Imageomics Perspective of Machine Learning and Computer Vision: Micro to Global”, faceva parte della sessione “Imageomics: Powering Machine Learning for Understanding Biological Traits”.