Ultrasonido de alta frecuencia combinado con aprendizaje profundo permite identificar y estimar el tamaño de microplásticos

Por qué nos importan a todos los fragmentos de plástico diminutos

El plástico se fragmenta en partículas tan pequeñas que no podemos verlas, y sin embargo ya aparecen en océanos, suelos, aire e incluso dentro de órganos humanos. Rastrear estos “microplásticos” es crucial para entender cómo se desplazan por el medio ambiente y qué pueden estar provocando en nuestra salud. Pero las pruebas de laboratorio actuales son lentas, costosas y difíciles de desplegar fuera de entornos controlados. Este estudio explora una forma más rápida y no destructiva de detectar y medir microplásticos usando ondas sonoras e inteligencia artificial, abriendo la puerta al monitoreo en tiempo real en ríos, lagos y plantas de tratamiento.

Escuchar el plástico con sonido

En lugar de iluminar las partículas, los investigadores utilizaron ultrasonido de alta frecuencia—ondas sonoras muy por encima de lo que el oído humano percibe—para sondear esferas diminutas hechas de distintos plásticos y materiales de referencia. Cuando un pulso ultrasónico impacta una partícula, parte del sonido se dispersa y regresa al detector. El patrón exacto de ese eco depende del tamaño de la partícula y de su composición, incluida su densidad y rigidez. Al operar a frecuencias similares al tamaño de las partículas, el equipo garantizó que los ecos de retorno transportaran firmas ricas y distinguibles que codifican tanto el tipo de material como el tamaño.

De ecos crudos a partículas etiquetadas

Para convertir esta idea en un sistema operativo, el equipo incrustó microesferas plásticas (PE y PMMA) y no plásticas (vidrio y acero) en un gel blando que imita el agua. Un único transductor ultrasónico escaneó la muestra punto por punto, recopilando un bloque tridimensional de datos: dos direcciones espaciales más tiempo. Un algoritmo personalizado de “extracción de picos” recorrió este bloque para encontrar los ecos más fuertes, que corresponden a partículas individuales. Cada eco detectado se verificó cruzándolo con imágenes microscópicas coincidentes para confirmar que el algoritmo realmente se estaba fijando en partículas individuales y no en ruido o aglomerados, logrando una precisión de detección de alrededor del 96 por ciento.

Enseñar a las máquinas a reconocer plástico

Una vez aislados los ecos específicos de cada partícula, los investigadores analizaron las señales tanto en el dominio del tiempo como de la frecuencia. Calcularon un conjunto de características numéricas simples—como la dispersión de las frecuencias de la señal y dónde se concentraba la mayor parte de su energía. Estas características diferían de manera característica según el material. El equipo entrenó varios modelos estándar de aprendizaje automático con estas características y también construyó una red neuronal convolucional unidimensional (1D-CNN) que aprendía patrones directamente de los datos de frecuencia en bruto. En muchas pruebas, la CNN obtuvo el mejor rendimiento, identificando correctamente el material de partículas individuales con una precisión media a nivel de partícula de aproximadamente el 97 por ciento, incluso en muestras mixtas que contenían varios materiales simultáneamente.

Medir el tamaño además del tipo

Más allá de distinguir materiales, el método también puede estimar el tamaño de cada partícula. La forma del espectro de ultrasonido retrodispersado se estira de manera predecible a medida que cambia el diámetro de la partícula. Para capturar esto, los investigadores entrenaron pequeñas redes neuronales llamadas perceptrones multicapa, una por cada material, para clasificar las partículas en cuatro rangos de tamaño desde alrededor de 20 micrómetros hasta cerca de 300 micrómetros. Estos modelos alcanzaron una precisión media superior al 99 por ciento, con un rendimiento casi perfecto para la mayoría de los materiales. Es importante destacar que todos los datos de entrenamiento y prueba se separaron a nivel de partícula, garantizando que los modelos fueran probados con partículas que nunca habían “visto” antes.

Pasos hacia el monitoreo en el mundo real

Aunque los experimentos actuales usaron partículas estacionarias incrustadas en gel, el enfoque subyacente es muy adecuado para sistemas de agua en flujo. El hardware de ultrasonido es compacto y la canalización de análisis puede procesar más de mil señales por segundo, lo suficientemente rápido para seguir flujos continuos. Los principales desafíos que quedan implican detectar partículas muy pequeñas con ecos débiles y manejar regiones densamente pobladas donde las partículas se solapan. Aun así, el estudio muestra que el ultrasonido de alta frecuencia, combinado con la IA moderna, puede actuar como un “sonar para microplásticos”, identificando rápidamente de qué están hechos y cuánto miden sin productos químicos ni ópticas complejas.

Qué significa esto para la vida cotidiana

Para el público no especializado, el mensaje clave es que pronto podríamos disponer de herramientas que vigilen los microplásticos en tiempo real en lugar de depender solo de trabajos de laboratorio lentos. Esto podría ayudar a rastrear la contaminación procedente de fábricas, plantas de tratamiento de aguas residuales o escorrentías pluviales, y proporcionar a reguladores y comunidades datos mejores sobre dónde se acumulan los plásticos. Al escuchar cómo pequeñas partículas dispersan el sonido, este método ofrece una vía práctica hacia el monitoreo y, eventualmente, la gestión de una de las formas más generalizadas de contaminación moderna.

Cita: Zarrabi, N., Strohm, E.M., Rezvani, H. et al. High-frequency ultrasound combined with deep learning enables identification and size estimation of microplastics. npj Emerg. Contam. 2, 9 (2026). https://doi.org/10.1038/s44454-026-00029-1

Palabras clave: microplásticos, detección por ultrasonido, aprendizaje profundo, monitoreo ambiental, análisis del tamaño de partículas