Forscher nutzen maschinelles Lernen, um das Zählen von Mikroplastik zu beschleunigen

Mikroplastik ist überall um uns herum – im Wasser, das wir trinken, in der Nahrung, die wir essen, und in der Luft, die wir atmen. Aber bevor Forscher die wirklichen Auswirkungen dieser Partikel auf die Gesundheit verstehen können, brauchen sie schnellere und effektivere Methoden, um zu quantifizieren, was da ist.

Zwei aktuelle Studien von Forschern der Fakultät für angewandte Wissenschaften und Ingenieurwissenschaften der Universität Toronto haben neue Methoden vorgeschlagen, die maschinelles Lernen nutzen, um das Zählen und Klassifizieren von Mikroplastik einfacher, schneller und kostengünstiger zu machen.

„Es ist wirklich zeitaufwändig, eine Wasserprobe auf Mikroplastik zu analysieren“, sagt Elodie Passeport, außerordentliche Professorin in den Fachbereichen Bau- und Mineralingenieurwesen sowie Chemieingenieurwesen.

„Es kann bis zu 40 Stunden dauern, eine Probe von der Größe eines Einmachglases vollständig zu analysieren – und diese Probe stammt von einem bestimmten Zeitpunkt. Besonders schwierig wird es, wenn man Vergleiche über die Zeit anstellen oder Proben aus verschiedenen Gewässern beobachten möchte .“

Im vergangenen Monat billigte das Umweltprogramm der Vereinten Nationen eine historische Resolution zur Beendigung der Plastikverschmutzung, die es als „eine Katastrophe im Entstehen“ bezeichnete und die menschliche Gesundheit, Meeres- und Küstenarten und globale Ökosysteme gefährdete.

Es kann Hunderte bis Tausende von Jahren dauern, bis Mikroplastik biologisch abgebaut ist. Aber nicht nur sichtbarer Plastikmüll ist ein Problem: Plastik zerfällt mit der Zeit in immer kleinere Partikel. Als Mikroplastik werden solche Teilchen bezeichnet, die kleiner als fünf Millimeter, aber größer als 0,1 Mikrometer sind.

Forscher, die die Auswirkungen von Mikroplastik untersuchen, versuchen immer noch zu verstehen, wie diese winzigen Teile die Gesundheit von Mensch und Umwelt auf andere Weise als das Massenmaterial beeinflussen könnten.

Obwohl frühere Studien das Vorhandensein von Mikroplastik in verschiedenen Umgebungen gezeigt haben, sind die Standards für die Quantifizierung ihres Gehalts – und vor allem für den zeitlichen und räumlichen Vergleich verschiedener Proben – noch im Entstehen. Passeport arbeitete mit Shuyao Tan, einem Ph.D. Student in Chemieingenieurwesen, und Joshua Taylor, außerordentlicher Professor in der Abteilung für Elektro- und Computertechnik, um sich der Herausforderung der Analyse zu stellen.

„Wir haben uns gefragt, ob es eine grobe Messung geben könnte, die die Konzentration von Mikroplastik vorhersagen könnte“, sagt Passeport.

„In Zusammenarbeit mit Professor Taylor, der über Expertise in maschinellem Lernen und Optimierung verfügt, haben wir ein Vorhersagemodell entwickelt, das einen trainierten Algorithmus verwendet, der die Anzahl von Mikroplastik aus aggregierten Massenmessungen schätzen kann.“

„Unsere Methode hat garantierte Fehlerverfolgungseigenschaften mit ähnlichen Ergebnissen wie das manuelle Zählen, ist aber weniger kostspielig und schneller, da sie die Analyse mehrerer Proben von mehreren Punkten aus ermöglicht, um die Verschmutzung durch Mikroplastik abzuschätzen“, fügt sie hinzu.

Die Untersuchung des Teams, veröffentlicht im Januar in ACS ES&T Wasserhat den Vorteil, dass Forscher nur einen Bruchteil ihrer gesammelten Proben manuell verarbeiten und die Menge des Rests mithilfe eines Algorithmus vorhersagen können, ohne zusätzliche Fehler oder Abweichungen einzuführen.

„Wissenschaftler, die an der Mikroplastikanalyse arbeiten, müssen wissen, wie viele Plastikpartikel es gibt, welche Arten von Partikeln, Polymere und Formen es gibt“, sagt Tan.

„Mit diesen Informationen können sie dann die Auswirkungen der Verschmutzung durch Mikroplastik auf lebende Organismen untersuchen – und auch, woher diese Verschmutzung kommt, damit sie sie an der Quelle bekämpfen können.“

Klassische Quantifizierungsmethoden unter Verwendung der Mikroskopie mit sichtbarem Licht erfordern die Verwendung einer Pinzette, um die Proben einzeln unter einem optischen Mikroskop zu zählen – ein arbeitsintensives Unterfangen, das anfällig für menschliche Fehler ist.

In einer Untersuchung veröffentlicht in Wissenschaft der gesamten Umwelt, Ph.D. Kandidat Bin Shi in der Abteilung Materialwissenschaften und -technik, der von Associate Professor Jane Howe betreut wird, verwendete Deep-Learning-Modelle zur automatischen Quantifizierung und Klassifizierung von Mikroplastik.

Shi verwendete Rasterelektronenmikroskope, um Bilder von Mikroplastik zu segmentieren und ihre Formen zu klassifizieren. Im Vergleich zu visuellen Screening-Methoden bietet dieser Ansatz eine größere Schärfentiefe und feinere Oberflächendetails, die eine falsche Identifizierung kleiner und transparenter Kunststoffpartikel verhindern können.

„Deep Learning ermöglicht es unserem Ansatz, die Quantifizierung von Mikroplastik zu beschleunigen, zumal wir andere Materialien entfernen mussten, die zu falschen Identifizierungen führen könnten, wie Mineralien, Substrate, organische Stoffe und Organismen“, sagt Shi.

„Wir konnten genaue Algorithmen entwickeln, die die Objekte in solch komplexen Umgebungen effektiv quantifizieren und klassifizieren können.“

Die Vielfalt in der chemischen Zusammensetzung und Form von Mikroplastik kann vielen Forschern Schwierigkeiten bereiten, zumal es keine standardisierte Methode zur Quantifizierung von Mikroplastik gibt.

Shi sammelte Mikroplastikproben in verschiedenen Formen und chemischen Zusammensetzungen – wie Perlen, Folien, Fasern, Schäume und Fragmente – aus Quellen wie Gesichtswaschmitteln, Plastikflaschen, Schaumstoffbechern, Wasch- und Trockenmaschinen und medizinischen Masken. Anschließend verarbeitete er Bilder der einzelnen Proben mit dem Rasterelektronenmikroskop, um eine Bibliothek mit Hunderten von Bildern zu erstellen.

Das Projekt ist der erste Open-Source-Datensatz für Mikroplastik-Bildsegmentierung, der es Forschern aus aller Welt ermöglicht, von dieser neuen Methode zu profitieren und ihre eigenen Algorithmen speziell für ihre Forschungsinteressen zu entwickeln.

„Diese Methode hat auch das Potenzial, in die Größenordnung von Nanokunststoffen zu gelangen, bei denen es sich um Partikel handelt, die kleiner als 0,1 Mikrometer sind“, sagt Shi.

„Wenn wir unsere Bildbibliothek weiter erweitern können, um mehr Mikroplastikproben aus verschiedenen Umgebungen mit unterschiedlichen Formen und Morphologien aufzunehmen, können wir die Verschmutzung durch Mikroplastik viel effektiver überwachen und analysieren.“

Vorerst ist das Ziel des Vorhersagemodells von Passeport und Tan, ein diagnostisches Werkzeug zu sein, das Forschern dabei helfen kann, Bereiche zu identifizieren, auf die sie ihre analytischen Bemühungen mit tiefergehenden Technologien konzentrieren sollten.

Das Team hofft auch, dass diese Methode Bürgerwissenschaftler in die Lage versetzen kann, die Verschmutzung durch Mikroplastik in ihrer eigenen Umgebung zu überwachen.

„Einzelpersonen können Proben sammeln, filtern und trocknen, um das Gewicht zu ermitteln, und dann einen trainierten Algorithmus verwenden, um die Menge an Mikroplastik vorherzusagen“, sagt Passeport.

„Während wir unsere Arbeit fortsetzen, möchten wir einige automatische Methoden zur Auswahl von Trainingsbeispielen einführen, die es Einzelpersonen ermöglichen, einfach auf eine Schaltfläche zu klicken und das Trainingsbeispiel automatisch auszuwählen“, fügt Tan hinzu.

„Wir wollen unsere Methode so einfach machen, dass sie von jedem genutzt werden kann, ohne dass er Kenntnisse in maschinellem Lernen und Mathematik benötigt.“