Eine Kombination aus ökologischen Feldmethoden und hochmoderner künstlicher Intelligenz hat einer interdisziplinären Forschungsgruppe geholfen, die Seegrasverzehrkrankheit an fast drei Dutzend Orten entlang einer 1.700 Meilen langen Strecke der Westküste von San Diego bis Südalaska zu entdecken.
Die wichtigste Erkenntnis: Der Seegrasschwund – verursacht durch den Organismus Labyrinthula zosterae und nachweisbar durch molekulardiagnostisch bestätigte Läsionen an den Grashalmen – ist unabhängig von der Region mit überdurchschnittlich hohen Wassertemperaturen verbunden, insbesondere im Frühsommer. Seegras ist eine lebenswichtige Küstenseegrasart für den Lebensraum der Fische, die Biodiversität, den Küstenschutz und die Kohlenstoffbindung.
Das Cornell-Forschungsteam – geleitet von Carla Gomes, Ronald C. und Antonia V. Nielsen-Professorin für Informatik und Informationswissenschaft am Cornell Ann S. Bowers College of Computing and Information Science, und Drew Harvell, emeritierter Professor am Department of Ecology und Evolutionsbiologie (College of Agriculture and Life Sciences; College of Arts and Sciences) – berichteten ihre Ergebnisse am 27. Mai Limnologie und Ozeanographie.
Ko-Hauptautoren sind Brendan Rappazzo, ein Doktorand in Informatik, und Lillian Aoki, eine ehemalige Postdoktorandin in Harvells Labor, die jetzt Forschungswissenschaftlerin an der University of Oregon ist. Die Doktorandinnen Olivia Graham und Morgan Eisenlord für Ökologie und Evolutionsbiologie leisteten ebenfalls einen Beitrag.
Co-Autor J. Emmett Duffy von der Smithsonian Institution war leitender Forscher eines dreijährigen Stipendiums in Höhe von 1,3 Millionen US-Dollar von der National Science Foundation (NSF), aus dem diese Forschung hervorgegangen ist. Die KI-Forschung und -Entwicklung wurde durch ein NSF Expeditions in Computing-Stipendium für computergestützte Nachhaltigkeit finanziert; Die anfängliche Zusammenarbeit zwischen Harvell und dem Smithsonian wurde als Initiative des Cornell Atkinson Center for Sustainability entwickelt.
Gomes, ebenfalls Direktor des Institute for Computational Sustainability, und Rappazzo leiteten die Entwicklung der Eelgrass Lesion Image Segmentation Application (EeLISA, ausgesprochen eel-EYE-zah), eines KI-Systems, das bei entsprechender Schulung schnell Tausende Bilder von Seegras analysieren kann Blätter und unterscheidet krankes von gesundem Gewebe.
Wie schnell wirkt EeLISA? Laut den Forschern arbeitet es bei vergleichbarer Genauigkeit 5.000-mal schneller als menschliche Experten. Und wenn die Anwendung mit mehr Informationen gefüttert wird, wird sie „intelligenter“ und liefert konsistentere Ergebnisse.
„Das ist wirklich eine Schlüsselkomponente“, sagte Rappazzo, der 2021 auf der AAAI Conference on Artificial Intelligence einen Innovative Application Award für seine Arbeit an EeLISA gewann. „Wenn Sie den gleichen Seegras-Scan vier verschiedenen Personen zum Etikettieren geben, werden sie alle unterschiedliche Krankheitsmessungen liefern. Sie haben all diese Variationen, aber mit EeLISA ist es nicht nur schneller, sondern auch konsistent etikettiert.“
„Beim traditionellen maschinellen Lernen benötigt man im Vorfeld große Mengen gekennzeichneter Daten“, sagt Gomes. „Aber mit EeLISA bekommen wir Feedback von den Wissenschaftlern, die die Bilder liefern, und das System verbessert sich sehr schnell. Am Ende sind also nicht so viele beschriftete Beispiele erforderlich.“
Dieses Projekt umfasste ein Netzwerk von 32 Feldstandorten entlang der Pazifikküste, die sich über 23 Breitengrade erstrecken. Diese Vielfalt an Regionen ermöglichte die Untersuchung der Seegrasverzehrkrankheit in verschiedenen Klimazonen und Umgebungen.
Tausende von Bildern aus dem Netzwerk von Standorten werden in das EeLISA-System eingespeist, das jedes Bild Pixel für Pixel analysiert, um festzustellen, ob es gesundes Gewebe, krankes Gewebe oder Hintergrund enthält. Die ersten Ergebnisse von EeLISA werden von menschlichen Kommentatoren bewertet, und die Software erhält Korrekturen, damit sie aus ihren Fehlern lernen kann.
„Die Forscher erhalten ihre Ergebnisse, senden ihre Korrekturen an den Algorithmus zurück und dieser aktualisiert die nächste Iteration“, sagte Rappazzo. „Die ursprünglichen Scans für EeLISA zum Etikettieren, wenn sie völlig zufällig sind, könnten eine halbe Stunde pro Scan dauern. Bei der nächsten Iteration könnten es nur noch 10 Minuten sein, dann zwei Minuten, dann eine Minute. Und wir haben den Punkt erreicht wo Es war auf menschlicher Genauigkeit und musste nur sporadisch überprüft werden.
Die KI-gestützte Forschung ergab, dass Warmwasseranomalien – unabhängig von den normalen Temperaturen für eine bestimmte Region – der Hauptgrund für die Seegrasverzehrkrankheit waren. Dies sagte den Forschern, dass die Untersuchung des Zusammenhangs zwischen Krankheit und Klimawandel für alle Bedingungen notwendig ist, und nicht nur für Seegraswiesen an warmen Standorten.
„Wir haben ein Jahrzehnt in die Entwicklung von Werkzeugen zur Erkennung von Krankheiten investiert, um diese Ausbrüche in einem großen räumlichen Maßstab zu überwachen“, sagte Harvell, „weil unsere frühen Studien darauf hindeuteten, dass Seegras empfindlich auf durch Erwärmung verursachte Ausbrüche reagieren könnte. Seegras ist ein wesentlicher Meereslebensraum und a entscheidendes Glied in der Überlebenskette von Fischen wie Lachs und Hering.“
Gomes sagte, das Ziel sei es, EeLISA so zu skalieren, dass es weltweit für „Citizen Science“ verwendet werden kann. Aoki sagte, das sei einer der interessantesten Aspekte dieser Arbeit.
„Wir könnten die Menschen bitten, die Seegraskrankheit auf diese viel breitere Art und Weise zu identifizieren, indem wir viel mehr öffentliche Beteiligung nutzen“, sagte sie. „Davon sind wir sicherlich noch einige Schritte entfernt, aber ich denke, das ist eine unglaublich aufregende Grenze.“
Lillian R. Aoki et al., Die Krankheitsüberwachung durch künstliche Intelligenz verbindet Seegrasverzehrkrankheiten mit der Erwärmung der Ozeane in allen Breitengraden, Limnologie und Ozeanographie (2022). DOI: 10.1002/lno.12152