Одним из наиболее перспективных применений технологий искусственного интеллекта является идентификация опухолей по медицинским снимкам высокого разрешения. Можно ли использовать те же методы, чтобы помочь палеонтологам быстрее анализировать аналогичные сканы окаменелостей динозавров? Исследователи сообщили о некоторых первых ответах и остающихся проблемах в новой статье, опубликованной в Frontiers in Earth Science.
Многое из того, что ученые могут почерпнуть из летописи окаменелостей динозавров, основано на морфологии сохранившихся останков животных. Для изучения внутренней структуры образца обычно требуется нарезать тонкие срезы, эффективно разрушая образец в процессе. Ситуация изменилась с появлением технологий сканирования с высоким разрешением, таких как рентгеновская компьютерная томография (КТ), которая в основном реконструирует внутренние структуры в трех измерениях с использованием излучения и цифрового программного обеспечения.
Хотя использование технологии КТ помогает сохранить образцы и получить очень полезные данные, сами изображения представляют собой определенные проблемы. Сканирование позволяет различать различные материалы — например, окаменелые кости и породу, покрывающую их, — на основе поглощения рентгеновского излучения. Одинаковая плотность может сильно затруднить определение того, где начинается один объект и заканчивается другой. Это означает, что исследователям приходится полагаться на ручную сегментацию — трудоемкий процесс классификации похожих частей изображения.
Испытание ИИ
ИИ может выполнять сегментацию изображений за считанные минуты, по сравнению с днями или даже неделями для палеонтолога. Вопрос в том, может ли компьютер классифицировать секции воксель за вокселем наравне с обученным профессионалом. Исследователи попытались выяснить это, используя различные типы глубоких нейронных сетей, своего рода модель ИИ, которая имитирует человеческий мозг.
Команда обучила и протестировала системы искусственного интеллекта, используя более 10 000 компьютерных томографов трех хорошо сохранившихся эмбриональных черепов протоцератопсов, меньшего размера по сравнению с более знакомым родом трицератопсов. Окаменелости были обнаружены в 1990-х годах в пустыне Гоби в Монголии.
Хотя модели работали не так хорошо, как человек, точность и скорость обработки показали, что глубокие нейронные сети могут значительно сократить время, необходимое для дифференциации окаменелостей от матрицы горных пород.
Потребность в больших данных, лучших алгоритмах
По словам Конгью Ю, ведущего автора исследования и доктора философии, помимо более быстрой обработки изображений, использование ИИ в палеонтологии может помочь установить стандарты исследований. студент Высшей школы Ричарда Гилдера при Американском музее естественной истории. Доктор Марк А. Норелл, соавтор статьи также в AMNH, хорошо известен своей работой по изучению эволюционных связей между динозаврами и птицами.
«Разные исследователи могут по-разному интерпретировать одну и ту же структуру, что приводит к различным реконструкциям эволюционной истории», — пояснил Юй. «В некоторых случаях изображения КТ могут быть преднамеренно реконструированы, чтобы следовать заданной идее. Использование сегментации ИИ может обнаружить эти мошенничества без чрезмерного увеличения стоимости».
Тем не менее, есть еще много работы, которую нужно сделать, прежде чем это произойдет. Даже лучшая модель из теста Protoceratops изо всех сил пыталась хорошо работать с другими окаменелостями динозавров из тех же пластов горных пород и региона.
«Обобщение всегда является проблемой для задач, основанных на ИИ», — отметил Ю, добавив, что исследователи продолжают обучать и тестировать модели глубокого обучения на изображениях компьютерной томографии из большего количества ископаемых таксонов и различных сред сохранения из предыдущих раскопок в Монголии.
«Мы уверены, что модель сегментации окаменелостей из пустыни Гоби не за горами, но более обобщенная модель нуждается не только в большем наборе обучающих данных, но и в инновациях в алгоритмах», — сказал он. «Я считаю, что глубокое обучение может в конечном итоге обрабатывать изображения лучше, чем мы, и уже были различные примеры того, как производительность глубокого обучения превосходит людей, включая игру в го и предсказание трехмерной структуры белка».
