.
O movimento oferece uma janela sobre como o cérebro opera e controla o corpo. Da observação com prancheta e caneta às modernas técnicas baseadas em inteligência artificial, o rastreamento do movimento humano e animal já percorreu um longo caminho. Os métodos de ponta atuais utilizam inteligência artificial para rastrear automaticamente partes do corpo à medida que se movem. No entanto, o treinamento desses modelos ainda exige muito tempo e é limitado pela necessidade dos pesquisadores marcar manualmente cada parte do corpo centenas a milhares de vezes.
Agora, o professor associado Eiman Azim e sua equipe criaram o GlowTrack, um método não invasivo de rastreamento de movimento que usa marcadores de corante fluorescente para treinar a inteligência artificial. O GlowTrack é robusto, eficiente em termos de tempo e de alta definição – capaz de rastrear um único dígito na pata de um rato ou centenas de pontos de referência na mão humana.
A técnica, publicada em Comunicações da Natureza em 26 de setembro de 2023, tem aplicações que vão da biologia à robótica, à medicina e muito mais.
“Nos últimos anos, houve uma revolução no rastreamento do comportamento, à medida que poderosas ferramentas de inteligência artificial foram trazidas para o laboratório”, diz Azim, autor sênior e titular da Cátedra de Desenvolvimento William Scandling. “Nossa abordagem torna essas ferramentas mais versáteis, melhorando a forma como capturamos diversos movimentos no laboratório. Uma melhor quantificação do movimento nos dá uma melhor visão de como o cérebro controla o comportamento e pode ajudar no estudo de distúrbios do movimento como a esclerose lateral amiotrófica (ELA). e doença de Parkinson.”
Os métodos atuais para capturar o movimento dos animais muitas vezes exigem que os pesquisadores marquem manualmente e repetidamente partes do corpo na tela do computador – um processo demorado, sujeito a erros humanos e restrições de tempo. A anotação humana significa que esses métodos geralmente só podem ser usados em um ambiente de teste restrito, uma vez que os modelos de inteligência artificial se especializam na quantidade limitada de dados de treinamento que recebem. Por exemplo, se a luz, a orientação do corpo do animal, o ângulo da câmera ou qualquer outro fator mudassem, o modelo não reconheceria mais a parte do corpo rastreada.
Para resolver essas limitações, os pesquisadores usaram corante fluorescente para rotular partes do corpo animal ou humano. Com esses marcadores fluorescentes “invisíveis”, uma enorme quantidade de dados visualmente diversos pode ser criada rapidamente e inserida nos modelos de inteligência artificial sem a necessidade de anotação humana. Depois de alimentados com esses dados robustos, esses modelos podem ser usados para rastrear movimentos em um conjunto muito mais diversificado de ambientes e com uma resolução que seria muito mais difícil de alcançar com a rotulagem humana manual.
Isto abre a porta para uma comparação mais fácil de dados de movimento entre estudos, uma vez que diferentes laboratórios podem utilizar os mesmos modelos para rastrear o movimento corporal numa variedade de situações. Segundo Azim, a comparação e a reprodutibilidade dos experimentos são essenciais no processo de descoberta científica.
“Os marcadores fluorescentes foram a solução perfeita”, diz o primeiro autor Daniel Butler, analista de bioinformática da Salk. Como a tinta invisível em uma nota de dólar que só acende quando você deseja, nossos marcadores fluorescentes podem ser ligados e desligados em um piscar de olhos, permitindo-nos gerar uma enorme quantidade de dados de treinamento.”
No futuro, a equipe está entusiasmada em oferecer suporte a diversas aplicações do GlowTrack e emparelhar seus recursos com outras ferramentas de rastreamento que reconstroem movimentos em três dimensões e com abordagens de análise que podem investigar padrões nesses vastos conjuntos de dados de movimento.
“Nossa abordagem pode beneficiar uma série de campos que precisam de ferramentas mais sensíveis, confiáveis e abrangentes para capturar e quantificar movimentos”, diz Azim. “Estou ansioso para ver como outros cientistas e não-cientistas adotam esses métodos e quais aplicações únicas e imprevistas podem surgir.”
Outros autores incluem Alexander Keim e Shantanu Ray de Salk.
O trabalho foi apoiado pelo Programa de Treinamento CMG da UC San Diego, um prêmio da Fundação Jesse e Caryl Philips, os Institutos Nacionais de Saúde (R00NS088193, DP2NS105555, R01NS111479, RF1NS128898 e U19NS112959), o Programa Searle Scholars, o Pew Charitable Trusts e a Fundação McKnight.
.
