La visión artificial, un campo de la inteligencia artificial (IA), permite a los ordenadores «ver» e interpretar el mundo visual tal como lo hacen los humanos. Mucho más que el simple reconocimiento de imágenes, la visión artificial implica comprender el contexto, las relaciones y los patrones dentro de los datos visuales. Esto se logra mediante algoritmos sofisticados y técnicas de aprendizaje profundo, como las redes neuronales convolucionales (CNN) y los Vision Transformers (ViT).
Estas herramientas extraen información significativa de las entradas visuales, transformando los datos brutos de píxeles en una comprensión semántica de alto nivel. Desde coches autónomos y control de calidad industrial hasta imágenes médicas e incluso filtros de redes sociales, la visión artificial está revolucionando todo tipo de sectores y aspectos de la vida cotidiana. En la investigación científica, ya está logrando avances transformadores en numerosas disciplinas y, a medida que los conjuntos de datos crecen y la tecnología evoluciona, impulsará aún más descubrimientos.
Por qué la visión artificial es importante para la investigación científica
¿En qué se diferencia la visión artificial del aprendizaje automático (ML) y otros subgrupos de IA/ML, y por qué es importante para la ciencia? En pocas palabras, esta tecnología permite a los científicos descubrir información valiosa rápidamente a partir de una amplia gama de datos visuales. En las últimas décadas, hemos sido testigos de una explosión de datos científicos, desde terabytes de datos astronómicos hasta millones de imágenes de microscopía, pasando por secuencias genómicas completas y mucho más. El volumen de datos suele ser imposible de analizar manualmente y gran parte de ellos se basa en imágenes, no en texto.
Esta es una diferencia crucial entre la visión artificial y otros subcampos de la inteligencia artificial. Mientras que el procesamiento del lenguaje natural (PLN) analiza datos de texto secuenciales para la minería de literatura y la extracción de conocimiento, la visión artificial maneja datos espaciales de alta dimensión, lo que permite el análisis directo de observaciones experimentales, imágenes de microscopía y lecturas de sensores donde las relaciones espaciales y los patrones visuales contienen la información científica fundamental.
Además, los métodos de ML tradicionales, como la regresión, la agrupación y la clasificación, utilizan conjuntos de datos preprocesados y con ingeniería de características, mientras que la visión artificial moderna basada en aprendizaje profundo realiza un aprendizaje integral a partir de píxeles brutos, extrayendo automáticamente características relevantes y jerarquías espaciales que pueden no ser evidentes para los investigadores humanos. Esta distinción es fundamental en contextos científicos, ya que pone de relieve las limitaciones de los modelos de aprendizaje automático tradicionales y las capacidades superiores de los modelos de aprendizaje profundo, especialmente para datos visuales complejos. Los modelos de aprendizaje automático tradicionales suelen estancarse en su rendimiento cuando se enfrentan a conjuntos de datos complejos y no estructurados, y pueden tener dificultades para captar las diferencias visuales matizadas que sí pueden detectar los modelos de aprendizaje profundo.
Otro enfoque común de la IA es el modelado predictivo, que pronostica resultados basados en datos previos. La visión artificial, por otro lado, descubre patrones y estructuras directamente a partir de observaciones visuales brutas, revelando a menudo fenómenos no reconocidos previamente sin necesidad de hipótesis predefinidas o características de entrada estructuradas.
Estas innovaciones analizan vastos conjuntos de datos mucho más rápido de lo que los humanos podrían hacerlo por sí solos. Esto se traduce en un análisis más rápido de posibles compuestos farmacológicos, un control de calidad más preciso en productos alimentarios e industriales y una intervención más temprana en la salud de los cultivos, por nombrar solo algunas aplicaciones. La visión artificial abre nuevas posibilidades de conocimiento y avances en conjuntos de datos cada vez mayores, y facilita la monitorización automatizada 24/7 y la retroalimentación experimental en tiempo real en todas las disciplinas.
Casos de uso de la visión artificial en las ciencias
Aunque el núcleo de la tecnología de visión artificial, principalmente las CNN y los mecanismos de atención, sigue siendo similar en todos los campos científicos, su implementación varía según el tipo de datos visuales que se analicen y los objetivos científicos pertinentes. Por ejemplo, el análisis de anomalías tisulares sutiles en exploraciones médicas requiere un entrenamiento de modelos diferente al procesamiento de datos satelitales que rastrean los índices de salud de las plantas a través de espectros visuales. Cada dominio requiere un preprocesamiento, estrategias de entrenamiento y métricas de evaluación especializados adaptados a los desafíos específicos del dominio —ya sea detectar eventos raros, medir cantidades precisas o interpretar relaciones espaciales complejas—, aprovechando al mismo tiempo las mismas arquitecturas de visión artificial subyacentes.
- Investigación farmacéutica: El examen de estructuras microscópicas como moléculas y proteínas es fundamental para el descubrimiento farmacéutico. La visión artificial es ideal para estas aplicaciones porque aplica estructuras de IA como las CNN y los ViT a estos conjuntos de datos visuales especializados. En el análisis de estructuras moleculares, la visión artificial agiliza el proceso de determinación de estructuras cristalográficas mediante la interpretación de patrones de difracción de rayos X y mapas de densidad electrónica. También identifica estructuras químicas a partir de datos espectroscópicos y dibujos moleculares.
Para el plegamiento de proteínas y la biología estructural, la IA analiza imágenes de criomicroscopía electrónica para reconstruir estructuras proteicas de alta resolución, valida predicciones de plegamiento computacional como AlphaFold y observa cambios conformacionales dinámicos que ocurren durante los procesos biológicos. En histopatología, la visión artificial facilita la detección automatizada de cáncer y la clasificación de tumores a partir de muestras de tejido, realiza análisis cuantitativos de características celulares y biomarcadores, y procesa con precisión imágenes de portaobjetos completos de gigapíxeles, superando a menudo a los patólogos humanos en precisión.
Las aplicaciones de cribado de fármacos emplean el cribado de alto contenido para categorizar automáticamente las respuestas celulares a los tratamientos, monitorizar la dinámica de las células vivas en tiempo real y evaluar modelos organoides 3D complejos para probar la eficacia de los fármacos. Estas numerosas aplicaciones en el descubrimiento de fármacos demuestran lo versátil que puede ser la visión artificial como herramienta científica, acelerando el descubrimiento en todo el espectro de lo molecular a lo tisular en la investigación biomédica.
- Ciencia de materiales: Al igual que en el sector farmacéutico, la ciencia de materiales requiere el análisis de moléculas microscópicas para garantizar la consistencia del material, detectar fallos y confirmar que los diminutos cristales presentes en metales y otros materiales tengan el diseño adecuado. En la identificación de estructuras cristalinas, la visión artificial analiza eficazmente los patrones de difracción de rayos X y electrones, lo que permite identificar rápidamente las fases cristalinas, determinar orientaciones mediante análisis de patrones de difracción de electrones retrodispersados (EBSD) de Kikuchi, y realizar el mapeo de los límites de grano. Esta tecnología completa estas tareas en una fracción del tiempo que requiere el análisis manual de los cristales.
Para la detección de defectos, la visión artificial permite identificar fallos en tiempo real, desde dislocaciones a escala atómica capturadas en imágenes de microscopía electrónica de transmisión (TEM) hasta defectos de fabricación de mayor tamaño observados en procesos de soldadura y fundición. Esta tecnología cuenta con aplicaciones especializadas en la inspección de obleas semiconductoras y en la monitorización de capas en la fabricación aditiva.
Los sistemas de visión artificial ya están perfectamente integrados en las líneas de producción para realizar inspecciones de superficie en tiempo real, mediciones dimensionales y decisiones automatizadas de aceptación o rechazo para el control de calidad. Estos sistemas tienen usos específicos en la industria, desde la detección de defectos en la pintura de automóviles hasta la inspección de comprimidos farmacéuticos y la verificación del ensamblaje de placas de circuito impreso (PCB).
- Química sintética: La visión artificial está transformando el campo de la investigación y síntesis química al introducir el análisis visual automatizado en diversas aplicaciones, como la monitorización de reacciones, la interpretación de diagramas y el seguimiento de compuestos. En la monitorización de reacciones, los sistemas de visión artificial observan cambios en tiempo real en el color, la formación de cristales y las separaciones de fases, al tiempo que analizan patrones térmicos y señales de fluorescencia. Esto les permite identificar los puntos finales óptimos de las reacciones, detectar impurezas y prevenir reacciones descontroladas.
Para la interpretación de diagramas químicos, la visión artificial facilita la conversión de estructuras moleculares dibujadas a mano en formatos legibles por máquina. También extrae estructuras químicas de patentes y literatura científica, y desglosa esquemas de reacción complejos para recopilar información sobre rutas sintéticas, reactivos y condiciones para el desarrollo de bases de datos y la planificación retrosintética.
En cuanto al seguimiento de la síntesis de compuestos, esta tecnología se integra perfectamente con la automatización de laboratorio para supervisar síntesis multietapa, coordinar procesos de purificación, gestionar inventarios químicos y permitir el cribado de alto rendimiento de reacciones paralelas en placas de microtitulación. Estos avances utilizan adaptaciones personalizadas de las arquitecturas centrales de visión artificial para abordar desafíos específicos de la química, como mantener la consistencia de la iluminación para un análisis de color preciso, garantizar la compatibilidad química de los sistemas de imagen e integrar datos espectroscópicos y de sensores para una comprensión más exhaustiva de los procesos.
El impacto de estas tecnologías es profundo: reduce los tiempos de optimización de reacciones de semanas a días, elimina la subjetividad de la evaluación humana, permite la monitorización remota de procesos peligrosos y revela patrones visuales sutiles vinculados a resultados sintéticos exitosos. Esto representa un cambio significativo hacia la síntesis química autónoma y basada en datos, lo que promete acelerar el descubrimiento de fármacos y optimizar los procesos de fabricación mediante el análisis visual sistemático de las transformaciones moleculares.
- Biotecnología: Desde células individuales hasta tejidos complejos, la investigación biológica implica innumerables fuentes de datos basadas en imágenes que son ideales para el análisis mediante visión artificial. El enorme volumen de células y los posibles patrones morfológicos dificultan la identificación manual de tendencias o anomalías, pero las soluciones basadas en IA pueden abordar estos desafíos y proporcionar información en tiempo real.
Por ejemplo, los sistemas de visión artificial clasifican automáticamente las células y evalúan su estado. Cuantifican diversas características morfológicas, como la forma, las características nucleares y la organización citoplasmática. Además, estos sistemas pueden realizar un seguimiento de procesos dinámicos como la migración y división celular, y desempeñan un papel crucial en el cribado de alto contenido para el descubrimiento de fármacos y el análisis fenotípico.
La integración de la microscopía incorpora la fusión de datos de imágenes multimodales y cuenta con sistemas de adquisición automatizados que poseen capacidades de muestreo inteligente y cribado de alto rendimiento. El análisis en tiempo real con control de retroalimentación y técnicas avanzadas de procesamiento de imágenes, como la deconvolución y la reconstrucción 3D, mejoran la eficiencia de la investigación. Estas aplicaciones aprovechan arquitecturas de IA especializadas, incluida la segmentación de instancias para cultivos celulares densamente poblados, el modelado temporal para analizar datos de series temporales y el aprendizaje con pocos ejemplos (few-shot learning) para adaptarse a nuevas condiciones experimentales. También abordan consideraciones biológicas como la gestión de la fototoxicidad y la garantía del control ambiental.
- Alimentación y bienes de consumo: La visión artificial está transformando la seguridad alimentaria y el aseguramiento de la calidad con sofisticados sistemas de inspección automatizados que mantienen la integridad del producto desde las materias primas hasta el envasado final. La inspección visual es, por supuesto, un área en la que esta tecnología destaca, ya que puede realizar evaluaciones en tiempo real de la calidad de la superficie e identificar defectos, contaminación e incluso niveles de madurez en diversos alimentos.
La visión artificial también supervisa aspectos de la calidad del procesamiento, como los niveles de cocción y la consistencia de la textura, a velocidades de producción superiores a 1.000 artículos por minuto. Gestiona el análisis de ingredientes mediante la inspección de materias primas, confirmando la mezcla adecuada y la distribución del tamaño de las partículas, y asegurando la adición correcta de los ingredientes. Este análisis visual detallado es revolucionario para el control de alérgenos, evitar la contaminación y minimizar los residuos. La tecnología también ofrece beneficios similares para la verificación de la seguridad del envasado, como garantizar que las etiquetas sean legibles y que los envases estén correctamente llenados y sellados.
- Agricultura y ciencia medioambiental: La visión artificial proporciona análisis exhaustivos de imágenes de satélite y drones que son cruciales para la monitorización medioambiental y la investigación ecológica. En el ámbito de la monitorización de la salud de los cultivos, los sistemas basados en IA analizan imágenes multiespectrales para calcular índices de vegetación, como el índice de vegetación de diferencia normalizada (NDVI), que cuantifica el verdor, la densidad y el rendimiento de la vegetación. También crean mapas de agricultura de precisión para aplicaciones de tasa variable y prevén los rendimientos mediante un seguimiento detallado del desarrollo de los cultivos a lo largo del tiempo.
La visión artificial también mejora el seguimiento de la contaminación, por ejemplo, evaluando la calidad del aire mediante la detección de partículas y emisiones, monitorizando la calidad del agua con herramientas para identificar floraciones de algas y vertidos de petróleo, garantizando el cumplimiento de la normativa industrial y realizando estudios medioambientales urbanos. En la identificación de especies para estudios ecológicos, se emplean sistemas automatizados para monitorizar poblaciones de fauna y realizar el seguimiento de migraciones. Estos sistemas también evalúan los ecosistemas marinos detectando ballenas y monitorizando la salud de los arrecifes de coral, mapean la biodiversidad para los esfuerzos de conservación y analizan la ecología forestal para la clasificación de especies arbóreas y tendencias fenológicas.
Estas aplicaciones aprovechan tecnologías de vanguardia como la fusión de datos multisensor, que combina datos ópticos, de radar e hiperespectrales. Emplean análisis temporales para la detección de cambios y la monitorización de tendencias, mientras que el procesamiento de alta resolución aprovecha redes de aprendizaje profundo entrenadas con extensos conjuntos de datos de teledetección. La integración de constelaciones de satélites y enjambres de drones garantiza una amplia cobertura, y las plataformas de computación en la nube facilitan el procesamiento de petabytes de datos. Los flujos de trabajo automatizados convierten las imágenes en bruto en información medioambiental valiosa.
Este enfoque integral de teledetección genera beneficios significativos, como mejoras en el rendimiento agrícola, reducción en el uso de fertilizantes mediante aplicaciones de precisión, mejores capacidades de respuesta rápida ante desastres y estrategias de conservación fundamentadas. Esto representa un cambio importante hacia la gestión medioambiental automatizada que sustenta la investigación climática, el cumplimiento normativo y los objetivos de desarrollo sostenible mediante el análisis de datos de observación de la Tierra.
Cómo utiliza CAS la visión artificial
En CAS, aprovechamos el poder de la tecnología avanzada de visión artificial para identificar, analizar e interconectar meticulosamente información vital extraída de nuestras fuentes de datos. La CAS Content CollectionTM es el mayor repositorio de información científica curado por expertos humanos, y gran parte de lo que curamos va más allá del texto: estructuras moleculares reportadas presentes en numerosas fuentes documentadas, como publicaciones científicas, cuadernos de laboratorio electrónicos (ELN), registros internos de CAS y más. Nuestro enfoque de la visión artificial nos permite descubrir patrones y relaciones intrincados dentro de estos extensos conjuntos de datos, transformando la información en bruto en conocimientos significativos que impulsan la innovación y el descubrimiento.
Nuestros modelos de visión artificial identifican y categorizan estructuras moleculares, mejoran los algoritmos de búsqueda y extraen datos valiosos de contenido científico complejo (véase la Figura 1). Además, interpretan y analizan con destreza los resultados experimentales resumidos en tablas detalladas, proporcionando una visión exhaustiva de los hallazgos científicos subyacentes. Incorporamos estas capacidades para enriquecer la CAS Content Collection y respaldar los análisis posteriores.
Al conectar puntos de datos extraídos con contenido estructurado y ontologías, simplificamos el acceso a información crucial y capacitamos a los científicos para tomar decisiones más rápidas y fundamentadas.
Pasos clave para desarrollar un plan de visión artificial
Para desarrollar un modelo de visión artificial sólido:
- Defina claramente el problema y recopile un conjunto de datos diverso y bien anotado.
- Preprocese sus datos mediante el cambio de tamaño, la normalización y el aumento de los existentes. Esto debe realizarse antes de dividir los datos en conjuntos de entrenamiento, validación y prueba.
- Evalúe su pila tecnológica en esta etapa inicial. Su hardware necesitará GPU capaces de acelerar el entrenamiento y la inferencia de modelos de aprendizaje profundo.
- Aborde las consideraciones éticas de forma continua, asegurándose de que su modelo cumpla con las normativas relativas al sesgo y la privacidad.
- Elija la arquitectura de modelo adecuada para el entrenamiento y, a continuación, evalúe su rendimiento utilizando las métricas apropiadas en el conjunto de datos de prueba, realizando mejoras iterativas según sea necesario.
- Implemente el modelo en un contexto real, supervisando su rendimiento y planificando un posible reentrenamiento debido a la deriva de los datos a medida que las industrias, los dominios específicos y los objetivos empresariales cambian con el tiempo.
- Céntrese en el escalado, la optimización y la documentación de la arquitectura del modelo y los procesos para futuras consultas e intercambio de conocimientos dentro de su equipo.
La clave del éxito reside en involucrar a expertos en la materia en cada etapa. Se requiere experiencia interdisciplinar para ayudar a comprender los matices del dominio, identificar datos relevantes, dirigir la anotación de datos, validar la calidad de los mismos e interpretar los resultados del modelo.
Como todas las tecnologías basadas en IA, la visión artificial seguirá evolucionando y los modelos que aprovechan sus capacidades se perfeccionarán con el tiempo. La importancia de esta tecnología para todas las áreas de investigación científica no hará sino crecer y, con avances más rápidos en campos que van desde el descubrimiento de fármacos hasta las ciencias medioambientales, podremos afrontar con mayor eficacia los retos a los que se enfrenta nuestro mundo.
