Machine learning brasileiro é apresentado em Lyon

A Immunocamp Comércio de Produtos Hospitalares com o apoio da Fapesp no âmbito do Programa Pesquisa Inovativa em Pequenas Empresas (PIPE),  desenvolveu, juntamente com pesquisadores dos Institutos de Computação e de Química e da Faculdade de Ciência Médicas da Universidade Estadual de Campinas (Unicamp), uma máquina – patenteada e em breve disponível no mercado – capaz de identificar as 15 espécies mais prevalentes de parasitas que infectam humanos no Brasil. A técnica, baseada em machine learning demonstrou eficiência superior a 90%, bem maior que as análises convencionais realizadas por humanos por meio de análise visual de lâminas de microscopia óptica, cujos índices variam de 48% a, no máximo, 76%. E a máquina também é capaz de processar 2 mil imagens em quatro minutos.

Uma das inovações criadas pela equipe da Unicamp foi um sistema para separação de parasitas e impurezas baseado no princípio de flotação por ar dissolvido: a máquina é capaz de fazer a varredura automatizada da lâmina e detectar os parasitas que aparecem em imagens na tela do computador. Isso foi possível por meio de técnicas computacionais que separam os componentes da imagem para verificar e decidir se são impurezas ou uma das 15 espécies parasitárias. Esse projeto foi relatado por Alexandre Xavier Falcão, do Instituto de Computação da Universidade Estadual de Campinas (Unicamp), em Lyon, durante a FAPESP Week France onde outra técnica de machine learning foi apresentada por Nina Hirata, pesquisadora do Instituto de Matemática e Estatística da Universidade de São Paulo (IME-USP), que também trabalha em projeto no âmbito do PIPE.

Técnicas de deep learning têm sido empregadas para desenvolver novas tecnologias baseadas em análise de imagens e com o objetivo de treinar as máquinas a aprenderem sozinhas por meio de reconhecimento de padrões e, dessa forma, agirem e interpretarem dados de modo mais natural. Os avanços nessa área têm possibilitado inovações importantes baseadas na análise de imagens, como reconhecimento facial, identificação de corpos celestes ou sistemas capazes de descrever o conteúdo de uma foto.
Antes era preciso escrever algoritmos muito específicos para extrair informações de características da imagem. Cada caso era um caso. O processo era muito manual. Hoje, com o deep learning, essa tarefa ficou muito mais fácil.