Pesquisas de fósseis de dinossauros ganham precisão com o aprimoramento da IA

Para analisar fósseis, como os de dinossauros, por exemplo, os cientistas dependem da morfologia dos restos preservados dos animais. No entanto, estudar a estrutura interior de um espécime geralmente requer cortar pequenos pedaços do material, processo que acaba destruindo efetivamente a amostra.

Isso mudou com a introdução de tecnologias de digitalização de alta resolução, como a tomografia computadorizada de raios-X (TC), que basicamente reconstrói estruturas internas em três dimensões usando radiação e software digital.

Embora o uso da CT ajude a preservar espécimes e a gerar dados muito úteis, as imagens apresentam seus próprios desafios. Os exames diferenciam vários materiais — por exemplo, ossos fossilizados versus a rocha que os envolvem — com base na absorção da radiação de raios-X.

Imagens mostram resultados de segmentação de dinossauros protoceratopsianos usando Inteligência Artificial, em três métodos: TC original, aterramento e previsão por modelos. Imagem: Congyu Yu – Escola de Graduação Richard Gilder / Museu Americano de História Natural

IA pode distinguir mais rapidamente os fósseis das rochas onde são encontrados

Densidades semelhantes podem tornar extremamente difícil determinar onde um material começa e outro termina. Isso significa que os pesquisadores têm que confiar na segmentação manual, um processo intensivo em mão-de-obra para classificar seções semelhantes de uma imagem.

Atualmente, a Inteligência Artificial (IA) pode fazer a segmentação de imagem em minutos, em comparação com dias ou até semanas que leva um paleontólogo. A questão é se um computador é capaz de classificar seções voxel por voxel igual a um profissional treinado. Pesquisadores tentaram descobrir isso usando diferentes tipos de redes neurais profundas, um tipo de modelo de IA que imita o cérebro humano.

Estudar a estrutura interior de um fóssil geralmente requer cortar pequenos pedaços do material, processo que acaba destruindo efetivamente a amostra. Imagem: Gorodenkoff – Shutterstock

A equipe treinou e testou os sistemas de IA usando mais de 10 mil tomografias computadorizadas de três crânios embrionários bem preservados de Protoceratops, um dinossauro menor em relação ao gênero Triceratops. Os fósseis foram encontrados na década de 1990 no deserto de Gobi, na Mongólia.

Embora os modelos não tenham se saído tão bem quanto um humano, a precisão e a velocidade de processamento mostraram que redes neurais profundas podem reduzir significativamente o tempo para diferenciar fósseis das matrizes rochosas.

Além do processamento mais rápido de imagens, o uso da IA na paleontologia pode ajudar a estabelecer padrões de pesquisa, de acordo com Congyu Yu, principal autor do estudo, publicado na Frontiers in Earth Science, e doutorando na Escola de Graduação Richard Gilder, administrada pelo Museu Americano de História Natural.

Inovações em algoritmos melhorariam ainda mais o processo

“Diferentes pesquisadores podem ter interpretações distintas sobre a mesma estrutura, que levam a várias reconstruções da história evolutiva”, explicou Yu. “Em alguns casos, as imagens de TC podem ser deliberadamente reconstruídas para seguir uma determinada ideia. O uso da segmentação de IA pode detectar essas fraudes sem aumentar muito o custo”.

“A generalização é sempre um problema para tarefas baseadas em IA”, observou Yu, acrescentando que os pesquisadores continuam a treinar e testar modelos de aprendizagem profunda em imagens de TC de mais fósseis e vários ambientes de preservação de escavações anteriores na Mongólia.

“Estamos confiantes de que um modelo de segmentação de fósseis do deserto de Gobi não está longe, mas um modelo mais generalizado precisa não apenas de mais conjunto de dados de treinamento, como também de inovações em algoritmos”, disse ele. “Acredito que o aprendizado profundo pode eventualmente processar imagens melhor do que nós, e já houve vários exemplos em desempenho de aprendizagem profunda superior aos seres humanos”.

Fonte: Olhar digital

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *