A Hybrid Computer Vision and AI Framework for Wildlife Hospital Patient Identification Systems: Kangaroo Facial Recognition as a Case Study

En los rincones tranquilos de los hospitales de vida silvestre, se desarrolla diariamente una crisis silenciosa de la memoria. Estos centros son santuarios donde se tratan animales nativos heridos, pero a diferencia de las mascotas domésticas, los pacientes silvestres llegan sin nombres, collares o microchips. A menudo están demasiado estresados para ser manipulados, demasiado heridos para ser etiquetados y son demasiado similares en apariencia como para distinguirlos solo a simple vista. Para los voluntarios que los cuidan, identificar a un canguro específico entre un grupo de ejemplares casi idénticos depende enteramente de la memoria humana y de pistas visuales fugaces, como una cicatriz o la falta de un trozo de oreja. Este sistema es frágil; cuando un voluntario se va, el conocimiento de quién es quién suele irse con él, lo que conlleva el riesgo de duplicar registros, aplicar tratamientos erróneos y perder historias clínicas. Para resolver esto, los investigadores están recurriendo a una rama de la ciencia llamada visión artificial, que enseña a las máquinas a ver y reconocer patrones de la misma manera que lo hacen los humanos. Al combinar esto con la inteligencia artificial, específicamente un método que aprende a medir las sutiles diferencias entre rostros, los científicos esperan construir una memoria digital que nunca olvide, permitiendo a los hospitales rastrear cada paciente desde el momento del rescate hasta su liberación de vuelta en la naturaleza.

En el Centro de Recuperación de Vida Silvestre Possumwood, en Nueva Gales del Sur, este desafío es inmediato y constante. Los canguros grises orientales constituyen la mayoría de los ingresos, y son notoriamente difíciles de distinguir. Dos crías (joeys) rescatadas de un mismo incidente, quizás ambas sufriendo lesiones de tejidos blandos sin marcas únicas, pueden volverse tan visualmente indistinguibles para un observador humano que son tratadas como una sola entidad. El método actual de identificación es manual, basándose en que los voluntarios recuerden rostros o noten vendajes temporales, un proceso que es subjetivo, propenso al error e imposible de escalar a medida que crece el número de animales rescatados. Para abordar esto, un equipo de investigadores de la Universidad de Tecnología de Sídney y Possumwood desarrolló un nuevo sistema diseñado para identificar canguros individuales automáticamente utilizando sus rostros. No construyeron simplemente una cámara que toma una foto; crearon un flujo de trabajo completo que captura video, encuentra el rostro del animal y utiliza el aprendizaje profundo para crear una firma digital única para cada canguro, permitiendo que el sistema coteje una nueva foto con una base de datos de pacientes conocidos sin necesidad de tocar al animal.

Los investigadores comenzaron recolectando un conjunto de datos del mundo real directamente del centro de recuperación. Recopilaron imágenes y videoclips cortos de aproximadamente 70 canguros individuales, trabajando junto a los voluntarios para asegurar que cada animal fuera identificado correctamente. Este no fue un entorno de laboratorio controlado; los animales estaban estresados, heridos y a menudo en movimiento, lo que hacía que los datos fueran desordenados y difíciles de procesar. Tras filtrar las imágenes borrosas y las tomas de baja calidad, terminaron con un conjunto curado de 68 individuos distintos. Para entrenar su sistema, tuvieron que enseñar a la computadora a ignorar detalles irrelevantes como el color de un vendaje o el fondo del recinto y centrarse únicamente en los rasgos sutiles y permanentes del rostro del canguro. Procesaron miles de imágenes, dividiendo los videos en fotogramas individuales para capturar al animal desde ligeramente diferentes ángulos y condiciones de iluminación, asegurando que el sistema aprendiera la identidad real del animal en lugar de una sola instantánea.

Para probar sus ideas, el equipo construyó y comparó tres tipos diferentes de modelos de inteligencia artificial. El primer modelo fue diseñado para observar una secuencia de fotogramas de video, de forma muy similar a como un humano observa a un canguro mover la cabeza, para obtener más información de la que proporcionaría una sola imagen estática. Los otros dos modelos observaban solo una foto a la vez, utilizando diferentes estrategias matemáticas para decidir qué tan similares eran dos rostros. Uno de estos modelos de imagen única fue diseñado para ser más simple y rápido, mientras que el otro fue construido para ser más estricto al separar diferentes identidades. Los investigadores entrenaron los tres modelos con su conjunto de datos y luego los probaron en un grupo separado de imágenes que las computadoras nunca habían visto antes. El objetivo era ver si el sistema podía mirar una nueva foto de un canguro y decir correctamente: "Este es el mismo animal que vimos ayer" o "Este es un nuevo paciente".

Los resultados mostraron que el enfoque basado en video era el más efectivo. El modelo que analizaba secuencias de fotogramas logró una tasa de éxito del 95.1% al identificar correctamente al canguro como la mejor coincidencia en el conjunto de prueba y, notablemente, alcanzó una tasa de recuperación de Rango-1 del 100%, lo que significa que identificó correctamente la mejor coincidencia para cada consulta en esta evaluación específica de conjunto cerrado. Sin embargo, los investigadores enfatizaron que este puntaje perfecto debe verse como un límite superior para esta configuración de prueba específica, más que como una prueba de que la tarea está totalmente resuelta, ya que las condiciones del mundo real con nuevos pacientes y consultas de conjunto abierto presentan mayores desafíos. Los modelos más simples que observaban fotos individuales también funcionaron bien, identificando correctamente al animal adecuado aproximadamente el 82% de las veces, lo cual es una mejora significativa respecto a los métodos manuales actuales, pero aún se queda corto frente a la precisión del modelo de video. Los investigadores descubrieron que la capacidad del modelo de video para ver al animal durante unos momentos le permitía capturar detalles sutiles, como la forma de una oreja o la textura del pelaje, que podrían pasarse por alto en un solo fotograma congelado. También descubrieron que la rigurosidad de las reglas matemáticas utilizadas para comparar rostros importaba; para algunos canguros muy similares, un enfoque más flexible funcionaba mejor, mientras que para otros, se necesitaba un enfoque más estricto para distinguirlos.

A pesar de la alta precisión, los investigadores fueron cuidadosos al señalar las limitaciones de su trabajo. El sistema fue probado en un grupo relativamente pequeño de 68 canguros, y en un hospital del mundo real, el número de pacientes crece constantemente. El estudio también destacó un posible escollo: la computadora a veces puede aprender cosas equivocadas. En un caso, el sistema se volvió excepcionalmente bueno identificando a una cría específica no debido a su rostro, sino porque tenía residuos de leche en su hocico tras una alimentación reciente. La máquina se había aferrado a este rasgo temporal como un identificador permanente, un error que desaparecería una vez que el animal fuera limpiado. Esto sirve como recordatorio de que, si bien la tecnología es poderosa, debe usarse con supervisión humana para asegurar que está reconociendo al animal en sí y no un artefacto fugaz. Los investigadores también señalaron que, en la naturaleza, los canguros suelen aparecer en grupos, y el sistema actual está diseñado para identificar un animal a la vez, lo que presenta un nuevo desafío para desarrollos futuros.

El objetivo final de esta investigación no es solo construir un algoritmo ingenioso, sino crear una herramienta práctica que se integre en el ritmo diario de un hospital de vida silvestre. El sistema propuesto está diseñado para ser no invasivo, requiriendo únicamente una foto o un video corto tomado por un voluntario con un dispositivo móvil. El software entonces verificaría instantáneamente la imagen contra la base de datos del hospital para confirmar la identidad del animal o marcarlo como un nuevo paciente. Esto eliminaría la necesidad de que los voluntarios dependan de su memoria o tengan que cotejar información con varias personas, reduciendo el riesgo de errores en los registros médicos y los planes de tratamiento. Si bien el estudio actual demuestra que tal sistema es técnicamente factible y altamente preciso en una prueba controlada, los investigadores vislumbran un futuro donde esta tecnología se integre en el flujo de trabajo del hospital, apoyando al personal en el cuidado de cientos de animales cada año. Al otorgar a cada canguro herido una identidad digital persistente, el sistema promete hacer la rehabilitación de la vida silvestre más eficiente, segura y sostenible, asegurando que ningún animal se pierda en el ajetreo de un centro de recuperación concurrido.