{"id":80075,"date":"2022-10-11T11:01:09","date_gmt":"2022-10-11T09:01:09","guid":{"rendered":"https:\/\/icac.cat\/?p=80075"},"modified":"2022-10-11T12:53:04","modified_gmt":"2022-10-11T10:53:04","slug":"nuevo-algoritmo-para-la-deteccion-y-clasificacion-automaticas-de-fitolitos-multicelulares-utilizando-ia","status":"publish","type":"post","link":"https:\/\/icac.cat\/es\/actualitat\/noticies\/2022\/nuevo-algoritmo-para-la-deteccion-y-clasificacion-automaticas-de-fitolitos-multicelulares-utilizando-ia\/","title":{"rendered":"Nuevo algoritmo para la detecci\u00f3n y clasificaci\u00f3n autom\u00e1ticas de fitolitos multicelulares utilizando IA"},"content":{"rendered":"
Un nuevo estudio muestra que es posible automatizar la detecci\u00f3n y la clasificaci\u00f3n de fitolitos con un alto nivel de precisi\u00f3n, hasta el nivel de especie.<\/h6>\n

El nuevo m\u00e9todo publicado<\/a> tiene el potencial de permitir el desarrollo de conjuntos de datos anal\u00edticos mucho m\u00e1s grandes en una fracci\u00f3n de tiempo mucho menor de lo que antes era factible, as\u00ed como para asegurar la consistencia en la identificaci\u00f3n de fitolitos y aumentar la validez del an\u00e1lisis de la muestra.<\/p>\n

La incorporaci\u00f3n de flujos de trabajo basados en aprendizaje autom\u00e1tico (en ingl\u00e9s, machine learning<\/em>) en arqueolog\u00eda, si bien a\u00fan est\u00e1 poco explorado m\u00e1s all\u00e1 del \u00e1mbito de los estudios de detecci\u00f3n de sitios (Berganzo-Besga<\/a> et al.<\/em>, 2021; Orengo et al<\/em>., 2021 ), presenta un potencial significativo dentro de la investigaci\u00f3n arqueol\u00f3gica.<\/p>\n

El investigador predoctoral\u00a0Iban Berganzo-Besga<\/a> (grupo GIAP del ICAC) dirigido por el Dr. H\u00e8ctor A. Orengo<\/a> (ICAC) y el Dr. Felipe Lumbreras<\/a> (Centro de Visi\u00f3n por Computador<\/a>, UAB), en colaboraci\u00f3n con la Dra. Monica N. Ramsey<\/a> (Universidad de Toronto Mississauga<\/a>; McDonald Institute for Archaeological Research<\/a>, Universidad de Cambridge) y Paloma Aliende<\/a> (ICAC), ha desarrollado un algoritmo de aprendizaje profundo (en ingl\u00e9s, deep learning<\/em>) para la detecci\u00f3n y clasificaci\u00f3n automatizadas de fitolitos multicelulares.<\/p>\n

\n

Automated detection and classification of multi-cell Phytoliths using Deep Learning-Based Algorithms<\/a>. Iban Berganzo-Besga, H\u00e8ctor A. Orengo, Felipe Lumbrera, Paloma Aliende, Monica N.Ramsey. Journal of Archaeological Science<\/em>, 2022, 105654, ISSN 0305-4403, https:\/\/doi.org\/10.1016\/j.jas.2022.105654.<\/p>\n<\/div>\n

\n
\n

El uso de algoritmos de aprendizaje profundo tiene el potencial de proporcionar herramientas para la identificaci\u00f3n automatizada de fitolitos.<\/p>\n<\/div>\n<\/div>\n

Los fitolitos multicelulares, particularmente las c\u00e1scaras de hierbas, brindan identificaciones m\u00e1s espec\u00edficas a nivel de g\u00e9nero y, por lo tanto, son fundamentales para la aplicaci\u00f3n arqueol\u00f3gica del an\u00e1lisis de fitolitos (Rosen, 1992). Adem\u00e1s, dada la complejidad de las formas que presentan las c\u00e9lulas m\u00faltiples y la similitud entre estas formas, estas identificaciones pueden llevar mucho tiempo y ser un desaf\u00edo incluso para los analistas de fitolitos experimentados. El uso de algoritmos de aprendizaje profundo (DL) tiene el potencial de proporcionar herramientas para la identificaci\u00f3n automatizada de fitolitos. Este enfoque se ha probado utilizando tres g\u00e9neros de fitolitos clave para el estudio de los or\u00edgenes agr\u00edcolas en la arqueolog\u00eda del Cercano Oriente: Avena <\/em>, Hordeum <\/em>y Triticum<\/em>.<\/p>\n

\"\"
Fitolitos de \u00abAvena\u00bb (a), \u00abHordeum\u00bb (b) y \u00abTriticum\u00bb (c). @ Los autores del art\u00edculo.<\/figcaption><\/figure>\n

 <\/p>\n

El m\u00e9todo y algoritmo publicado en la revista\u00a0Journal of Archaeological Science<\/em><\/a> ha sido capaz de identificar y clasificar los tres g\u00e9neros con m\u00e1s del 93 % de confianza general y dos especies (Triticum boeoticum Acc<\/em>. y Triticum dicoccoides Acc<\/em>.) con un 100 % de confianza.<\/p>\n

\n

Los microscopios digitales complejos pueden incorporar algoritmos de aprendizaje profundo (DL), lo que permite hacer recuentos autom\u00e1ticos de los tipos fitolitos de manera casi instant\u00e1nea<\/strong>, una mejora radical en las velocidades de an\u00e1lisis actuales. Adem\u00e1s de esto, el algoritmo est\u00e1 dise\u00f1ado para ser empleado por otras partes interesadas utilizando recursos computacionales disponibles gratuitamente, como Google Colaboratory<\/a>.<\/p>\n<\/div>\n

El informaci\u00f3n publicada en el nuevo art\u00edculo<\/a> publicado puede proporcionar una herramienta metodol\u00f3gica importante para los equipos de investigaci\u00f3n que utilizan fitolitos para el estudio de la historia de la vegetaci\u00f3n, arqueobot\u00e1nica, paleoecolog\u00eda, interacciones ambientales humanas y los or\u00edgenes de la agricultura.<\/p>\n

Este m\u00e9todo tiene el potencial de revolucionar todos estos campos al permitir no solo el desarrollo de conjuntos de datos anal\u00edticos mucho m\u00e1s grandes en una fracci\u00f3n del tiempo que antes era factible, sino tambi\u00e9n la incorporaci\u00f3n de nuevas mediciones y m\u00e9todos de an\u00e1lisis<\/strong> (como patrones de fragmentaci\u00f3n, tama\u00f1o de los fitolitos, etc.), asegurando la consistencia en la identificaci\u00f3n de fitolitos y aumentando la validez del an\u00e1lisis de muestras al pasar de estimaciones estad\u00edsticas a recuentos totales de fitolitos<\/strong>.<\/p>\n

La incorporaci\u00f3n de nuevos m\u00e9todos y algoritmos automatizados de detecci\u00f3n y clasificaci\u00f3n deber\u00eda permitir en \u00faltima instancia a los arque\u00f3logos concentrar sus esfuerzos en las interpretaciones hist\u00f3ricas y socioculturales que hacen que la visi\u00f3n arqueol\u00f3gica sea \u00fanica y necesaria.<\/p>\n

<\/h6>\n
Contribuciones de los autores<\/h6>\n