Forscher der Ohio State University in Columbus, USA, haben das Gebiet der “Imageomics” entwickelt, welches auf Fortschritten im Maschinenlernen und der Computer Vision basiert. Durch die Kombination von Bildern lebender Organismen mit computergestützter Analyse erforschen die Forscher grundlegende Fragen über biologische Prozesse. Bei einer Präsentation von Wei-Lun Chao, einem Ermittler am Imageomics Institute der Ohio State University, während des Jahrestreffens der American Association for the Advancement of Science (AAAS), stand das Anwendungsgebiet des Feldes für mikro- bis makroskopische Probleme im Fokus.
Imageomics-Forscher schlagen vor, dass mit Hilfe von Maschinen- und Computer-Vision-Techniken, einschließlich Mustererkennung und multimodaler Ausrichtung, die Geschwindigkeit und Effizienz zukünftiger wissenschaftlicher Entdeckungen exponentiell erhöht werden könnte. Dies beinhaltet die Schaffung von Grundlagenmodellen, die Daten aus verschiedenen Quellen nutzen, um verschiedene Aufgaben zu ermöglichen, sowie die Entwicklung von Maschinenlernmodellen, die in der Lage sind, Merkmale zu identifizieren und zu entdecken, um es Computern zu erleichtern, Objekte in Bildern zu erkennen und zu klassifizieren.
Traditionelle Methoden zur Bildklassifizierung mit Merkmalserkennung erfordern eine große Menge menschlicher Annotation, jedoch nicht die Methode von Chao. Das Team von Chao hat einen Ansatz gewählt, der es dem Algorithmus aktiv ermöglicht, nach Merkmalen wie Farben und Mustern in einem Bild zu suchen, die spezifisch für die Objektklasse sind – wie beispielsweise die Tierart -, während es analysiert wird. Auf diese Weise kann Imageomics Biologen eine detailliertere Beschreibung geben, was im Bild zu erkennen ist, und somit zu einer schnelleren und genaueren visuellen Analyse führen.
Chao betont, dass die Technik und der Ansatz getestet wurden und herausfordernde Erkennungsaufgaben bewältigen können, wie beispielsweise Schmetterlingsmimikry, bei der Arten anhand von feinen Details und Vielfalt in ihren Flügelmustern und -farben unterschieden werden können. Die einfache Verwendung des Algorithmus könnte auch dazu führen, dass Imageomics in eine Vielzahl von anderen Zwecken integriert werden kann, von Klima- bis hin zur Materialforschung. Chao ist begeistert von dem Potenzial, das es bietet, die natürliche Welt in verschiedenen Bereichen sehen zu können und hebt hervor, dass die starke Integration von KI in wissenschaftliches Wissen der richtige Weg ist.