Machines kunnen worden getraind om beelden te classificeren en zo tumoren te identificeren in CT-scans, minerale samenstellingen in gesteenten, of pathologieën in optische microscopieanalyses. Deze kunstmatige-intelligentietechniek staat bekend als machine learning en heeft de afgelopen jaren nieuwe toepassingen gekregen.

Machinetraining wordt uitgevoerd via de herhaling van afbeeldingen die worden gebruikt als voorbeelden van een bepaalde context of situatie en de adequate voorbereiding van dat materiaal vereist de inspanning van experts uit verschillende gebieden.

"De mens coördineert [de training] - zonder dat een specialist het trainingsproces controleert, de machine zou leren beslissingen te nemen op basis van kenmerken van het beeld die geen verband houden met het doelprobleem. Dit genereert een slecht resultaat of een resultaat dat beperkt is tot de database waarin de machine is getraind. Als de database verandert, fouten nemen aanzienlijk toe, de machineanalyse onbetrouwbaar maken, " zei Alexandre Xavier Falcão, van het Instituut voor Informatica van de Universiteit van Campinas (UNICAMP), in een lezing gegeven op FAPESP Week Frankrijk.

Falcão heeft computerwetenschap en andere kennisgebieden gecombineerd op basis van machine learning-projecten in een onderzoekslijn die de interactie tussen mens en machine bij besluitvorming onderzoekt.

Automatisering van parasietdetectie

Een van de projecten onder leiding van Falcão en gepresenteerd op FAPESP Week France heeft tot doel de detectie van parasieten in ontlastingsanalyses te automatiseren. Het onderzoek is uitgevoerd via een samenwerking tussen Immunocamp (een in Campinas gevestigd bedrijf gespecialiseerd in ziekenhuisproducten) en onderzoekers van de Institutes of Computing and Chemistry van UNICAMP, evenals de School of Medical Sciences van dezelfde universiteit.

Het interdisciplinaire team heeft een machine ontwikkeld die in staat is de 15 meest voorkomende soorten parasieten te identificeren die mensen in Brazilië infecteren.

De machine learning-techniek toonde een efficiëntie van meer dan 90 procent, die veel hoger is dan de conventionele analyses die door mensen worden uitgevoerd door visuele analyse van optische microscopie-dia's, waarvan de tarieven variëren van 48 procent tot maximaal 76 procent. De machine kan ook 2, 000 afbeeldingen in vier minuten.

"Het idee is niet om het werk van mensen te vervangen, niet in de laatste plaats omdat ze de machines moeten trainen om meer soorten parasieten te identificeren en de diagnose van ziekteverwekkers die door de machine worden gedetecteerd, te bevestigen, maar eerder om menselijke vermoeidheid te voorkomen en de nauwkeurigheid van de resultaten te vergroten, " hij zei.

Een van de innovaties die het team van UNICAMP creëerde, was een systeem voor het scheiden van parasieten en onzuiverheden op basis van het principe van opgeloste luchtflotatie, waardoor optische microscopieglaasjes met minder onzuiverheden kunnen worden gegenereerd.

In het onderdeel datawetenschap de machine kan een geautomatiseerde scan van het objectglaasje uitvoeren en parasieten detecteren die in afbeeldingen op het computerscherm verschijnen. Dit was mogelijk met behulp van computationele technieken die de beeldcomponenten scheiden om te verifiëren en te beslissen of ze gerelateerd zijn aan onzuiverheden of aan een van de 15 parasitaire soorten.

"De interactie tussen mens en machine heeft het potentieel om de menselijke inspanning te verminderen en het vertrouwen in de algoritmische beslissing te vergroten. Onze aanpak heeft aangetoond dat het opnemen van de specialist in de trainingscyclus betrouwbare besluitvormingssystemen genereert op basis van beeldanalyse."

Betrouwbare besluitvormingssystemen

Het doel van de methodiek is om de inspanning van de specialist op het gebied van grootschalige beeldobservatie te minimaliseren, op zoek naar de constructie van zeer nauwkeurige besluitvormingssystemen.

"De klassieke benadering, die vooraf opgenomen voorbeelden gebruikt en geen menselijke interactie tijdens de training, laat verschillende vragen onbeantwoord. Het zijn essentiële vragen, zoals hoeveel voorbeelden de machines nodig hebben om te leren of hoe de beslissingen van de machine moeten worden uitgelegd. Onze methodiek bestaat uit het betrekken van de specialist in de machine learning cyclus zodat dit soort vragen beantwoord worden, " hij zei.

Daarom, de strategie die door het team van Falcão werd gebruikt voor het bouwen van betrouwbare besluitvormingssystemen was het verkennen van complementaire vaardigheden. "Mensen zijn superieur in kennisabstractie. Machines worden niet moe en zijn beter in het verwerken van grote hoeveelheden gegevens. Dus, de inspanning van de specialist wordt geminimaliseerd door de leercyclus te beheersen en de beslissingen van de machines worden verklaarbaar, " hij zei.