En la azotea de la facultad de Farmacia de la Universidad Complutense de Madrid (UCM) hay un captador de polen que aspira unos diez litros de aire por minuto, más o menos la misma cantidad de aire que una persona hace pasar por sus pulmones al respirar. “Ese aire que chupa el aparato choca contra una superficie que tiene una sustancia adhesiva y todas las partículas que hay en el aire quedan retenidas en esa superficie”, explica Montserrat Gutiérrez, profesora de la facultad y decana de la aerobiología en España, pues ya manejaba el primer captador que se colocó en este mismo lugar en 1978. Hoy es directora técnica de la red Palinocam de la Comunidad de Madrid, que cuenta con otros 11 captadores, similar a los que hay en todas las grandes ciudades del mundo.
Para conocer cuáles son los niveles de polen en cada zona, todos los días un técnico sube hasta la azotea, recoge la cinta adhesiva que ha estado corriendo dentro del dispositivo y analiza la muestra al microscopio. “Sube arriba, coge la muestra, la prepara, la analiza al microscopio y a última hora de la mañana mete los datos en la base de datos”, explica Gutiérrez. El encargado del reconocimiento va recorriendo visualmente la muestra y analiza cuatro líneas de los 48x12 mm cuadrados que son estadísticamente significativos. “Va anotando los tipos polínicos que aparecen y cuántos hay. Al final tiene una relación, con X granos de gramíneas y otro tanto de compuestas, por ejemplo. Y multiplicando por un factor que tenemos calculado obtiene el valor del número de granos de polen que hay por metro cúbico de aire”, indica Gutiérrez. El proceso es lento y tedioso, pero a diferencia de las mediciones de contaminación del aire, en que algunos procesos se pueden automatizar, el hecho de tener que reconocer cada grano de polen obliga a tener siempre un observador humano.
Ahora, el equipo de otro investigador español, el profesor del Departamento de Inteligencia Artificial de la UNED Jose Luis Aznarte, ha dado un pequeño paso que podría cambiar las cosas en la forma en que se cuentan e identifican cada día los granos de polen. En un trabajo publicado en la revista PLOS ONE, el equipo de Aznarte presenta un sistema basado en redes neuronales convolucionales capaz de distinguir de forma automática 46 especies de pólenes en una misma muestra. “Hemos creado un algoritmo de Inteligencia Artificial que, a partir de fotos granos de polen, es capaz distinguirlos y saber a qué especie pertenecen siempre que haya un banco de imágenes con los que se pueda entrenar el modelo”, explica a Vozpópuli. “Es un resultado muy importante porque predecimos 46 tipos de polen distintos, que es el conjunto más grande que se ha abordado hasta la fecha”.
Para llegar hasta el resultado, el equipo de Aznarte debía enfrentarse a varios desafíos. El primero era el de conseguir un observador no humano capaz de obtener imágenes de calidad de la muestra de polen recogida a diario por los captadores. “Entramos en contacto con una investigadora neozelandesa que habían desarrollado un microscopio automático que coge una de estas placas, la lee de forma automática y devuelve una serie de ficheros”, explica el investigador. En cada uno de estos ficheros hay un solo grano de polen y mediante un sistema especial que incorpora la llamada dimensión Z, toda su estructura está enfocada (a diferencia de lo que ve el humano, que tiene que mover la altura de la lente para verlo entero). Mediante la generación de una base de datos de fotos de pólenes etiquetadas, este sistema ha servido a los científicos de la UNED para entrenar a su algoritmo y enseñarle a reconocer cada grano. El resultado es muy prometedor: la red neuronal reconoce los pólenes individuales con un 97 por ciento de acierto frente al 63,5 por ciento de los humanos.
La red neuronal reconoce los pólenes con un 97% de acierto frente al 63,5 % de los humanos.
Si se desarrollara este sistema se podrían crear estaciones automáticas de medición del polen que tardarían pocos segundos en leer la muestra y obtener un valor sobre la concentración de estas partículas en la atmósfera. Y las lecturas podrían ser en tiempo real y no como ahora, que en la mayoría de las ocasiones se hacen una vez a la semana. “Idealmente a mí lo que me gustaría es que pudiera tener en mi ventana un captador automático y saber si puedo o no salir porque soy alérgico a las gramíneas”, confiesa Aznarte.
En opinión de sus autores, el interés comercial de esta tecnología puede estar en sectores como la producción de miel, donde la revisión al microscopio podría dar información útil sobre su procedencia y composición para evitar fraudes. Y en otras áreas donde el análisis del polen es también es útil a menudo, como en las investigaciones policiales, donde puede ayudar a ubicar el lugar dónde se ha cometido un delito, o en paleobotánica, que permite reconstruir la flora de un espacio en determinado periodo de tiempo. Y tal vez algún día ayude a Montserrat y su equipo a estudiar las muestras de polen recogidas en la azotea de la facultad de Farmacia de la UCM y combinarlas en tiempo real con las mediciones de otros captadores y poner en sobre aviso en alerta a los alérgicos.
Referencia: Precise automatic classification of 46 different pollen types with convolutional neural networks (PLOS ONE) https://doi.org/10.1371/journal.pone.0229751
