Ultrassom de alta frequência combinado com aprendizado profundo possibilita identificação e estimativa de tamanho de microplásticos

Por que fragmentos plásticos minúsculos importam para todos nós

O plástico se fragmenta em partículas tão pequenas que não conseguimos vê-las, e ainda assim elas já aparecem em oceanos, solo, ar e até dentro de órgãos humanos. Rastrear esses “microplásticos” é crucial para entender como eles se deslocam pelo ambiente e que efeitos podem ter sobre a nossa saúde. Mas os testes laboratoriais atuais são lentos, caros e difíceis de aplicar fora de ambientes controlados. Este estudo explora uma maneira mais rápida e não destrutiva de detectar e medir microplásticos usando ondas sonoras e inteligência artificial, abrindo caminho para monitoramento em tempo real em rios, lagos e estações de tratamento.

Ouvindo o plástico com som

Em vez de iluminar partículas, os pesquisadores usaram ultrassom de alta frequência — ondas sonoras bem acima do que os humanos podem ouvir — para sondar pequenas esferas feitas de diferentes plásticos e materiais de referência. Quando um pulso de ultrassom incide sobre uma partícula, parte do som é espalhada de volta ao detector. O padrão exato desse eco depende do tamanho da partícula e do que ela é feita, incluindo sua densidade e rigidez. Ao operar em frequências compatíveis com o tamanho das partículas, a equipe garantiu que os ecos retornados carregassem assinaturas ricas e distinguíveis que codificam tanto o tipo de material quanto o tamanho.

De ecos brutos a partículas rotuladas

Para transformar essa ideia em um sistema funcional, a equipe incorporou microesferas plásticas (PE e PMMA) e não plásticas (vidro e aço) em um gel macio que imita a água. Um único transdutor de ultrassom varreu a amostra ponto a ponto, coletando um bloco tridimensional de dados: duas direções espaciais mais o tempo. Um algoritmo personalizado de “extração de picos” então vasculhou esse bloco para encontrar os ecos mais fortes, que correspondem a partículas individuais. Cada eco detectado foi verificado com imagens de microscópio correspondentes para confirmar que o algoritmo estava realmente prendendo-se a partículas individuais em vez de ruído ou aglomerados, alcançando uma precisão de detecção de cerca de 96%.

Ensinando computadores a reconhecer plástico

Uma vez isolados os ecos específicos de cada partícula, os pesquisadores analisaram os sinais tanto no domínio do tempo quanto no da frequência. Eles calcularam um conjunto de características numéricas simples — como a dispersão das frequências do sinal e onde se concentra a maior parte da sua energia. Essas características diferiam de maneira característica entre materiais. A equipe treinou vários modelos de aprendizado de máquina padronizados nessas características e também construiu uma rede neural convolucional unidimensional (1D-CNN) que aprendeu padrões diretamente a partir dos dados de frequência brutos. Em muitos testes, a CNN teve o melhor desempenho, identificando corretamente o material de partículas individuais com uma acurácia média em nível de partícula de cerca de 97%, mesmo em amostras mistas contendo vários materiais simultaneamente.

Medindo o tamanho além do tipo

Além de distinguir materiais, o método também consegue estimar o tamanho de cada partícula. A forma do espectro de retroespalhamento do ultrassom se estica de maneira previsível conforme o diâmetro da partícula muda. Para capturar isso, os pesquisadores treinaram pequenas redes neurais chamadas perceptrons multicamadas, uma para cada material, para classificar partículas em quatro faixas de tamanho, de cerca de 20 micrômetros até aproximadamente 300 micrômetros. Esses modelos alcançaram uma acurácia média acima de 99%, com desempenho quase perfeito para a maioria dos materiais. Importante: todos os dados de treinamento e teste foram separados ao nível da partícula, garantindo que os modelos fossem realmente testados em partículas que nunca haviam “visto” antes.

Passos rumo ao monitoramento no mundo real

Embora os experimentos atuais tenham usado partículas estacionárias incorporadas em gel, a abordagem subjacente é bem adequada para sistemas de água em fluxo. O hardware de ultrassom é compacto, e o pipeline de análise pode processar mais de mil sinais por segundo, rápido o suficiente para acompanhar fluxos contínuos. Os principais desafios restantes envolvem detectar partículas muito pequenas com ecos fracos e lidar com regiões congestionadas onde partículas se sobrepõem. Ainda assim, o estudo mostra que ultrassom de alta frequência, aliado a IA moderna, pode agir como um “sonar para microplásticos”, identificando rapidamente do que são feitos e qual o tamanho, sem químicos ou óticas complexas.

O que isso significa para a vida cotidiana

Para não especialistas, a mensagem principal é que em breve poderemos dispor de ferramentas que observam microplásticos em tempo real em vez de apenas após demorados exames laboratoriais. Isso pode ajudar a rastrear poluição de fábricas, estações de tratamento de águas residuais ou escoamento de tempestades, e fornecer a reguladores e comunidades dados melhores sobre onde os plásticos estão se acumulando. Ao ouvir como partículas minúsculas espalham o som, esse método oferece um caminho prático para monitorar e, eventualmente, gerir uma das formas mais difundidas da poluição moderna.

Citação: 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

Palavras-chave: microplásticos, detecção por ultrassom, aprendizado profundo, monitoramento ambiental, análise do tamanho de partículas