2022-06-16 15:09

人工智能揭示了大叶藻对气候变暖和疾病的脆弱性

AI reveals scale of eelgrass vulnerability to warming, disease

一个跨学科研究小组利用生态学野外方法和尖端人工智能技术,在西海岸从圣地亚哥到阿拉斯加南部1700英里长的近30多个地点检测到了鳗草耗损病。

关键的发现是:海草的浪费——由带状迷迷宫生物引起,通过草叶上的病变可以检测到,并通过分子诊断得到证实——与高于正常的水温有关,尤其是在初夏,无论在哪个地区。鳗草是一种重要的沿海海草,对鱼类栖息地、生物多样性、海岸线保护和固碳具有重要意义。

康奈尔大学的研究团队由Carla Gomes, Cornell Ann S. Bowers计算机与信息科学学院的Ronald C. and Antonia V. Nielsen计算与信息科学教授,以及Drew Harvell,生态与进化生物学(农业与生命科学学院;在5月27日的《湖沼与海洋学》杂志上发表了他们的发现。

共同主要作者是计算机科学博士生Brendan Rappazzo和Lillian Aoki, Harvell实验室的前博士后研究员,现在是俄勒冈大学的研究科学家。生态学和进化生物学博士生奥利维亚·格雷厄姆和摩根·艾森洛德也做出了贡献。

该研究的合著者之一、史密森学会的J. Emmett Duffy是一项由美国国家科学基金会(NSF)提供的为期三年的130万美元资助的首席研究员,这项研究就是从NSF诞生的。人工智能的研究和开发是由美国国家科学基金会(NSF)的计算探索基金资助的,用于计算的可持续性;哈维尔和史密森尼之间的最初合作是作为康奈尔阿特金森可持续发展中心的倡议。

戈麦斯,同时也是计算可持续性研究所的主任,和拉帕佐共同领导了“海草病变图像分割应用”(elelgrass damage Image Segmentation Application, EeLISA,读作鳗鱼eye -zah)的开发,这是一个人工智能系统,经过适当的训练,可以快速分析数以千计的海草叶片图像,并将病变组织与健康组织区分开来。

酶联免疫吸附法的工作速度有多快?据研究人员称,它的工作速度是人类专家的5000倍,具有相当的准确性。随着应用程序获得更多的信息,它会变得“更智能”,产生更一致的结果。

“这真的是一个关键组成部分,”拉帕佐说,他在2021年美国人工智能协会(AAAI)人工智能会议上凭借在elisa上的工作获得了创新应用奖。“如果你把同样的鳗草扫描给四个不同的人进行标记,他们对疾病的测量结果都是不同的。你有所有这些变异,但有了elisa,它不仅更快,而且一直被标记。”

戈梅斯说:“在传统的机器学习中,你需要预先获得大量标记数据。“但有了elisa,我们从提供图像的科学家那里得到反馈,系统改进得非常快。所以最终,它不需要那么多标签化的例子。”

该项目涉及沿太平洋海岸的32个实地站点,横跨23度纬度。这种区域的多样性为研究不同气候和环境下的海草损耗病提供了条件。

来自网站网络的数千张图像被输入到EeLISA系统中,该系统逐像素分析每张图像,以确定每张图像中是否包含健康组织、病变组织或背景。EeLISA的初始结果由人工标注员评分,并将修正信息提供给软件,以便它能从错误中学习。

Rappazzo说:“研究人员得到他们的输出,将他们的修正发回算法,然后它会在下一轮迭代中进行更新。”“最初的elisa标记扫描是完全随机的,每次扫描可能需要半个小时。到下一次迭代时,可能会减少到10分钟,然后是2分钟,然后是1分钟。我们已经达到了人类水平的精确度,只需要偶尔进行检查。”

人工智能研究揭示,温水异常——不管某一特定区域的正常温度是多少——是鳗草消瘦病的关键驱动因素。这告诉研究人员,研究疾病和气候变化之间的关系对所有条件都是必要的,而不仅仅是在温暖地区的海草甸。

“我们已经投入了10年的时间来开发疾病识别工具,以在大空间尺度上监测这些疾病的爆发,”哈维尔说,“因为我们的早期研究表明,鳗草可能对变暖导致的疫情很敏感。鳗草是重要的海洋栖息地,也是鲑鱼和鲱鱼等鱼类生存链中的关键一环。”

戈梅斯说,我们的目标是扩大elisa的规模,使它能够在全世界范围内用于“公民科学”。青木说,这是这项工作最有趣的方面之一。

她说:“我们可以让人们以更广泛的方式来识别海草疾病,调动更多的公众参与。”“当然,我们离这个目标还有几步之遥,但我认为这是一个非常令人兴奋的前沿领域。”