Club de Lectura Fungi 01 - Automated Fungal Identification (Mansourvar et al., 2025)

Описание: Primer estudio que aplica imágenes time-lapse combinadas con IA (deep learning) para identificar hongos filamentosos.

El método reduce el tiempo de identificación en 2–3 días respecto a técnicas tradicionales.

Se entrenaron modelos con 26.451 imágenes correspondientes a 110 especies de 35 géneros.

Comparación de arquitecturas:

ResNet50: 76,7 % de precisión.

DenseNet-121: 86,8 %.

Vision Transformer (ViT): 92,6 % (mejor desempeño).

Uso de 6 medios de cultivo distintos para capturar variaciones morfológicas.

Imágenes capturadas cada 30 minutos durante 5–7 días para registrar el crecimiento.

Aplicaciones potenciales:

Agricultura → detección temprana de fitopatógenos.

Medicina → diagnóstico rápido de infecciones fúngicas.

Biodiversidad → monitoreo automatizado de diversidad fúngica.

Limitaciones: calidad de imagen, necesidad de bases de datos confiables, variabilidad ambiental.

Proyecciones futuras:

Desarrollo de un servicio API público para clasificación de hongos.

Ampliación del conjunto de datos con más especies y condiciones.

Uso de modelos de detección como YOLO para localizar estructuras específicas.

Discusión de la reunión

Complemento a la biología molecular: Se enfatizó que la IA con time-lapse puede ser una herramienta útil para agilizar la identificación, pero no reemplaza las técnicas moleculares, que siguen siendo necesarias aunque costosas y con limitaciones en bases de datos.

Valor de la morfología dinámica: Se discutió que los hongos cambian significativamente a lo largo del tiempo, y que el time-lapse capta esa evolución clave que muchas veces se pierde en una imagen estática.

Macrohongos: Se planteó la pregunta sobre su aplicabilidad. Esto ya es posible en plataformas como iNaturalist, pero con los mismos retos que enfrentan los taxónomos humanos: especies muy similares podrían ser difíciles de distinguir incluso para la IA.

Seguridad en macrohongos: Se recalcó que en setas la identificación errónea puede tener consecuencias graves (comestibilidad vs toxicidad), por lo que la precisión debe ser aún mayor que en mohos.

Medios de cultivo y metabolitos: Se destacó la importancia de usar diferentes medios, ya que coloraciones y metabolitos pueden inducir a errores en la clasificación visual; la IA ayuda a manejar esta variabilidad.

Perspectiva futura: La reunión coincidió en que el futuro está en la combinación de enfoques (morfología, molecular e inteligencia artificial) para lograr identificaciones más rápidas, confiables y aplicables en medicina, agricultura y conservación.