AI揭示了鳗草对变暖疾病的影响程度

生态野外方法和尖端人工智能的结合帮助一个跨学科研究小组在西海岸1，700英里长的近三十多个地点(从圣地亚哥到阿拉斯加南部)检测鳗草消瘦病。

关键发现：海草消瘦 - 由微生物迷宫带状疱疹引起，可通过分子诊断证实通过分子诊断检测到 - 与比正常温度更高的水温有关，特别是在初夏，无论地区如何。鳗草是鱼类栖息地、生物多样性、海岸线保护和碳固存的重要沿海海草物种。

康奈尔大学研究团队 - 由Carla Gomes领导，他是康奈尔大学Ann S. Bowers计算与信息科学学院的Ronald C.和Antonia V. Nielsen计算与信息科学教授，以及生态学和进化生物学系名誉教授Drew Harvell(农业与生命科学学院;艺术与科学学院) - 5月27日在湖沼学和海洋学中报告了他们的发现。

共同主要作者是Brendan Rappazzo，M.Eng. '18，计算机科学博士生，以及Lillian Aoki ' 12，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Olivia Graham和Morgan Eisenlord也做出了贡献。

海洋生物紧贴在华盛顿州福尔斯湾生物保护区的鳗草叶片上。图片来源：Olivia Graham/康奈尔大学

密森尼学会的合著者J. Emmett Duffy是美国国家科学基金会(NSF)为期三年，价值130万美元的赠款的首席研究员，这项研究就是从中诞生的。人工智能的研究和开发是通过NSF计算探险基金资助的，用于计算可持续性;哈维尔和史密森尼学会之间的初步合作是作为康奈尔阿特金森可持续发展中心计划开发的。

Gomes也是计算可持续性研究所所长，Rappazzo领导了Eelgrass病变图像分割应用程序(EeLISA，发音为eel-EYE-zah)的开发，这是一个AI系统，经过适当的训练，可以快速分析数千张海草叶图像，并将患病者与健康组织区分开来。

EeLISA的工作速度有多快?根据研究人员的说法，它的运行速度比人类专家快5000倍，准确性相当。随着应用程序获得更多信息，它变得“更智能”并产生更一致的结果。

“这真的是一个关键组成部分，”Rappazzo说，他在2021年的AAAI人工智能会议上获得了创新应用奖，因为他在EeLISA上的工作。“如果你把同样的鳗草扫描给四个不同的人来标记，他们都会给出不同的疾病测量值。你有所有这些变化，但使用EeLISA，它不仅更快，而且一直被标记。

“在传统的机器学习中，你需要预先需要大量的标记数据，”Gomes说。“但是通过EeLISA，我们从提供图像的科学家那里得到反馈，并且系统改进得非常快。所以最终，它不需要那么多标记的例子。

该项目涉及太平洋沿岸的32个野外地点网络，横跨纬度23度。这种区域的多样性使得研究不同气候和环境下的海草消瘦病成为可能。

来自站点网络的数千张图像被输入到EeLISA系统中，该系统逐个像素地分析每个图像，以确定每个图像是否包含健康组织，患病组织或背景。EeLISA的初始结果由人工注释器评分，并对软件进行更正，以便它可以从错误中吸取教训。

“研究人员获得他们的输出，将他们的校正发送回算法，然后更新下一个迭代，”Rappazzo说。“当EeLISA完全随机时，EeLISA标记的原始扫描可能需要每次扫描半小时。到下一次迭代时，它可能会减少到10分钟，然后是两分钟，然后是一分钟。我们达到了人类水平的精确度，只需要偶尔检查一下。

人工智能支持的研究表明，温水异常 - 无论特定地区的正常温度如何 - 都是鳗草消瘦病的关键驱动因素。这告诉研究人员，研究疾病与气候变化之间的关系对于所有条件都是必要的，而不仅仅是在温暖地区的海草草甸。

“我们已经投资了十年开发疾病识别工具，以在大空间尺度上监测这些爆发，”Harvell说，“因为我们的早期研究表明，鳗草可能对变暖引起的爆发敏感。鳗草是一个重要的海洋栖息地，也是鲑鱼和鲱鱼等鱼类生存链中的关键环节。

戈麦斯说，目标是扩大EeLISA的规模，以便它可以在全球范围内用于“公民科学”。青木说，这是这部作品最有趣的方面之一。

“我们可以要求人们以这种更广泛的方式识别海草疾病，利用更多的公众参与，”她说。“我们当然离这一点还有几步之遥，但我认为这是一个非常令人兴奋的前沿领域。