Um corretor de imóveis envia a um potencial comprador de uma casa uma fotografia borrada de uma casa tirada do outro lado da rua. O comprador pode compará-lo com o produto real - olhe para a foto, em seguida, olhe para a casa real - e veja que a janela saliente é, na verdade, duas janelas juntas, as flores na frente são de plástico e o que parecia uma porta é na verdade um buraco na parede.

E se você não estiver olhando para a foto de uma casa, mas algo muito pequeno - como uma proteína? Não há como ver sem um dispositivo especializado, então não há nada para julgar a imagem, nenhuma 'verdade fundamental, 'como é chamado. Não há muito a fazer a não ser confiar que o equipamento de imagem e o modelo de computador usado para criar as imagens são precisos.

Agora, Contudo, a pesquisa do laboratório de Matthew Lew na McKelvey School of Engineering da Washington University em St. Louis desenvolveu um método computacional para determinar quanta confiança um cientista deve ter em suas medições, em qualquer ponto, são precisos, dado o modelo usado para produzi-los.

A pesquisa foi publicada em 11 de dezembro em Nature Communications .

"Fundamentalmente, esta é uma ferramenta forense para dizer se algo está certo ou não, "disse Lew, professor assistente no Departamento de Engenharia Elétrica e de Sistemas Preston M. Green. Não é simplesmente uma maneira de obter uma imagem mais nítida. “Esta é uma forma totalmente nova de validar a confiabilidade de cada detalhe em uma imagem científica.

"Não se trata de fornecer uma resolução melhor, "ele acrescentou sobre o método computacional, chamado de fluxo induzido por Wasserstein (WIF). "Está dizendo, 'Esta parte da imagem pode estar errada ou fora do lugar.' "

O processo usado pelos cientistas para "ver" o muito pequeno - microscopia de localização de molécula única (SMLM) - depende da captura de grandes quantidades de informações do objeto que está sendo visualizado. Essas informações são então interpretadas por um modelo de computador que acaba eliminando a maioria dos dados, reconstruindo uma imagem aparentemente precisa - uma imagem verdadeira de uma estrutura biológica, como uma proteína amilóide ou uma membrana celular.

Existem alguns métodos já em uso para ajudar a determinar se uma imagem é, de um modo geral, uma boa representação da coisa que está sendo visualizada. Esses métodos, Contudo, não pode determinar a probabilidade de que qualquer ponto de dados único em uma imagem seja preciso.

Hesam Mazidi, um graduado recente que era aluno de doutorado no laboratório de Lew para esta pesquisa, resolveu o problema.

"Queríamos ver se havia uma maneira de fazer algo sobre este cenário sem uma verdade fundamental, "disse ele." Se pudéssemos usar modelagem e análise algorítmica para quantificar se nossas medições são fiéis, ou preciso o suficiente. "

Os pesquisadores não tinham informações básicas - nenhuma casa para comparar com a foto do corretor de imóveis - mas não estavam de mãos vazias. Eles tinham um tesouro de dados que geralmente é ignorado. Mazidi aproveitou a enorme quantidade de informações coletadas pelo dispositivo de imagem que geralmente é descartado como ruído. A distribuição do ruído é algo que os pesquisadores podem usar como verdade fundamental porque está de acordo com leis específicas da física.

"Ele foi capaz de dizer, 'Eu sei como o ruído da imagem se manifesta, essa é uma lei física fundamental, “Lew disse sobre a visão de Mazidi.

"Ele voltou ao barulhento, domínio imperfeito da medição científica real, "Lew disse. Todos os pontos de dados registrados pelo dispositivo de imagem." Há dados reais lá que as pessoas jogam fora e ignoram. "

Em vez de ignorá-lo, Mazidi olhou para ver como o modelo previu o ruído - considerando a imagem final e o modelo que o criou.

Analisar tantos pontos de dados é semelhante a executar o dispositivo de imagem repetidamente, realizar várias execuções de teste para calibrá-lo.

"Todas essas medições nos dão confiança estatística, "Lew disse.

O WIF permite que eles não determinem se a imagem inteira é provável com base no modelo, mas, considerando a imagem, se algum ponto da imagem for provável, com base nas suposições embutidas no modelo.

Em última análise, Mazidi desenvolveu um método que pode dizer com forte confiança estatística que qualquer dado ponto na imagem final deve ou não estar em um determinado local.

É como se o algoritmo analisasse a foto da casa e - sem nunca ter visto o lugar - limpasse a imagem, revelando o buraco na parede.

No fim, a análise produz um único número por ponto de dados, entre -1 e 1. Quanto mais próximo de um, mais confiante um cientista pode ter de que um ponto em uma imagem é, na verdade, representando com precisão a coisa que está sendo visualizada.

Esse processo também pode ajudar os cientistas a melhorar seus modelos. "Se você pode quantificar o desempenho, então você também pode melhorar seu modelo usando a pontuação, "Mazidi disse. Sem acesso à verdade fundamental, "permite-nos avaliar o desempenho em condições experimentais reais, em vez de uma simulação."

Os usos potenciais do WIF são de longo alcance. Lew disse que a próxima etapa é usá-lo para validar o aprendizado de máquina, onde conjuntos de dados tendenciosos podem produzir resultados imprecisos.

Como um pesquisador saberia, nesse caso, que seus dados foram tendenciosos? "Usando este modelo, você seria capaz de testar em dados que não são verdadeiros, onde você não sabe se a rede neural foi treinada com dados semelhantes aos do mundo real.

"É preciso ter cuidado em cada tipo de medição que você fizer, "Lew disse." Às vezes, só queremos apertar o grande botão vermelho e ver o que acontece, mas temos que lembrar, muitas coisas acontecem quando você pressiona esse botão. "