A multi-level preprocessing and modelling framework for spectral imaging of microplastics

Los microplásticos, los diminutos fragmentos de plástico que se han infiltrado en nuestros océanos, suelos e incluso en nuestro aire, representan una creciente amenaza para los ecosistemas y la salud humana. Para comprender la magnitud de este problema, los científicos deben ser capaces de encontrar estas partículas, identificar exactamente qué tipo de plástico son y contarlas. Aunque observar las partículas bajo un microscopio es un primer paso común, a menudo es poco fiable porque los ojos humanos pueden ser fácilmente engañados por la forma o el color de una mota de polvo. Un enfoque más preciso utiliza la luz para leer la huella química de una partícula. Al hacer rebotar luz infrarroja sobre una muestra, los investigadores pueden ver qué moléculas absorben la luz y en qué longitudes de onda, creando una firma única para materiales como el polietileno o el poliestireno. Sin embargo, convertir esta poderosa tecnología en una herramienta rutinaria para analizar muestras ambientales complejas ha sido difícil. Los datos generados son masivos, a menudo contienen millones de mediciones individuales, y el proceso se ve fácilmente alterado por cambios en la iluminación, el grosor de las partículas o la forma en que el propio instrumento se comporta.

Un equipo de investigadores de Finlandia ha desarrollado un nuevo marco para resolver estos obstáculos específicos, creando un método optimizado para identificar microplásticos mediante imágenes infrarrojas. Su trabajo se centra en limpiar los datos en tres etapas distintas: la imagen general, secciones pequeñas de la imagen y las propias firmas de luz individuales. Imagine intentar escuchar una conversación en una habitación ruidosa; primero debe reducir el zumbido de fondo, luego filtrar el eco de las paredes y, finalmente, concentrarse en las palabras específicas que se están pronunciando. Del mismo modo, los investigadores primero corrigieron la imagen completa para eliminar los desplazamientos causados por las condiciones ambientales cambiantes durante el escaneo. Luego, corrigieron patrones de error pequeños y repetitivos que aparecían en cada sección de la imagen, de forma muy parecida a eliminar una mancha constante de la lente de una cámara. Finalmente, refinaron los datos químicos de cada partícula, suavizando el ruido y resaltando las características específicas que distinguen un tipo de plástico de otro.

La innovación más significativa de su enfoque es cómo gestionan el enorme volumen de datos. En lugar de intentar comparar cada píxel individual en una imagen masiva contra una biblioteca de plásticos conocidos —una tarea lenta y computacionalmente pesada—, agruparon píxeles similares en grupos (clusters). Luego, compararon la firma promedio de estos grupos con su biblioteca de referencia. Esta estrategia resultó ser notablemente efectiva. Cuando probaron doce formas diferentes de emparejar los datos, un método que analizaba la forma de las curvas químicas en lugar de solo su altura logró una precisión perfecta para cuatro plásticos comunes: poliestireno, tereftalato de polietileno, polietileno y polipropileno. Esto fue particularmente importante porque el polietileno y el polipropileno son químicamente muy similares y suelen confundir a las herramientas de identificación estándar.

Al combinar estas correcciones de múltiples niveles con una estrategia de emparejamiento más inteligente, los investigadores demostraron que podían producir mapas más claros de dónde se encuentran las partículas y de qué están hechas, todo ello mientras aceleraban significativamente el análisis. El método distinguió con éxito entre plásticos que son notoriamente difíciles de diferenciar y redujo el tiempo necesario para procesar imágenes grandes. El estudio sugiere que, al eliminar errores de manera sistemática y centrarse en grupos representativos de datos en lugar que en cada punto individual, los científicos pueden hacer que la identificación de microplásticos sea más robusta, eficiente y fiable. Este avance acerca el campo a la capacidad de monitorear de forma rutinaria y precisa la presencia de estos contaminantes persistentes en el medio ambiente.