مکاترونیک نیوز | محققان تکنیکی را توسط هوش مصنوعی به نام ایلیسا برای تجزیه و تحلیل بیماری “علف مارماهی‌های ” دریایی ایجاد کردند
به گزارش مکاترونیک نیوز، یک گروه مطالعاتی میان رشته‌ای از روش‌های میدانی زیست محیطی ترکیب شده با هوش مصنوعی پیشرفته تکنیک «ایلیسا» برای کشف بیماری تلف‌کننده علف مارماهی در 32 مکان در طول 1700 مایلی ساحل غربی، از سن دیگو تا جنوب آلاسکا، استفاده کرد.
هدر رفتن علف‌های دریایی، توسط ارگانیسم Labyrinthula zosterae ایجاد می‌شود و ممکن است توسط ضایعات روی تیغه‌های چمن که می‌تواند با تشخیص مولکولی تایید و شناسایی شود (به ویژه در دمای آب گرم‌تر از حد معمول، در اوایل تابستان و صرف نظر از محل).
علف مارماهی چیست؟
علف مارماهی‌ها یک گونه علف دریایی مهم برای زیستگاه ماهی‌ها، تنوع زیستی، حفاظت از خطوط ساحلی و ترسیب کربن در طول ساحل می‌باشند.
محققان موثر در پژوهش علف مارماهی چه افرادی هستند؟
کارلا گومز، رونالد سی و آنتونیا وی. نیلسن، استاد محاسبات و علوم اطلاعات در کالج محاسباتی و علوم اطلاعات کورنل آن اس. بورز، و درو هارول، استاد بازنشسته در گروه اکولوژی و زیست‌شناسی تکاملی (علوم کشاورزی و علوم زیستی؛ کالج هنر و علوم)، تیم تحقیقاتی کرنل را رهبری کرد که یافته‌های خود را در 27 می 2022 در نشریه‌های علمی منتشر کردند.
برندان راپازو، یک دانشجوی دکترای علوم کامپیوتر و لیلیان آئوکی، محقق سابق فوق دکترا در آزمایشگاه هارول که در حال حاضر یک دانشمند پژوهشی در دانشگاه اورگان است، به صورت مشترک با یکدیگر همکاری دارند. همچنین اولیویا گراهام و مورگان آیزنلورد، هر دو دانشجوی دکترا در اکولوژی و زیست‌شناسی تکاملی، نیز در این پژوهش مشارکت دارند.
جی. امت دافی، از موسسه اسمیتسونیان محقق اصلی پروژه بنیاد ملی علوم (NSF) با بودجه 1.3 میلیون دلار بود که منجر به این مطالعه شد. کمک هزینه بنیاد ملی علوم برای پایداری محاسباتی، تحقیق و توسعه هوش مصنوعی بسیار موثر بود. اولین رابطه بین هارول و اسمیتسونیان به عنوان یک مرکز کورنل اتکینسون برای تلاش برای پایداری شکل گرفت.
کاربرد ایلیسا در تشخیص و بررسی بیماری علف مارماهی
گومز که مدیر موسسه پایداری محاسباتی است، با سایر اعضا همکاری کرد و با استفاده از اپلیکیشن تقسیم‌بندی تصویر ضایعه مارماهی ایلیسا که یک روش هوش مصنوعی است، می‌توانند به سرعت هزاران تصویر از برگ‌های علف دریایی را تجزیه و تحلیل کند. بنابراین وقتی به درستی آموزش داده شود، بافت بیمار را از سالم تشخیص دهد.
به گفته محققان، ایلیسا 5000 برابر سریع‌تر از متخصصان انسانی و با دقتی معادل عمل می‌کند. همان طور که داده‌های بیشتری به برنامه داده می‌شود، هوشمندتر شده و نتایج ثابت‌تری می‌دهد.
برندان راپازو، نویسنده و دانشجوی دکترا، گروه علوم کامپیوتر، دانشگاه کرنل می‌گوید:
«این واقعاً یک مؤلفه کلیدی است، اگر اسکن علف مارماهی یکسان را به چهار نفر مختلف برای برچسبگذاری بدهید، همه آنها اندازه‌گیری‌های متغیری از بیماری را ارائه می‌دهند. شما همه این تغییرات را دارید، اما با ایلیسا، نه تنها سریع تر است، بلکه به طور مداوم برچسب گذاری می‌شود.»
راپپاززو در سال 2021 جایزه برنامه کاربردی نوآورانه را برای کارش در ایلیسا دریافت کرد.
کارلا گومز، استاد، محاسبات و علوم اطلاعات، دانشگاه کرنل می‌گوید:
«در یادگیری ماشینی سنتی، شما از قبل به مقادیر زیادی داده برچسب دار نیاز دارید. اما با ایلیسا، ما از دانشمندانی که تصاویر را ارائه می‌دهند، بازخورد دریافت می‌کنیم و سیستم به سرعت بهبود می‌یابد. بنابراین به این تعداد نمونه برچسب گذاری شده نیاز ندارد.»
تاثیر ایلیسا بر یافته‌های علمی
این مطالعه شبکه‌ای از 32 مکان میدانی را در 23 درجه عرض جغرافیایی در امتداد سواحل اقیانوس آرام نشان داد. تحقیق در مورد بیماری هدر رفتن علف‌های مارماهی و دریایی در دماها و زیستگاه‌های مختلف با توجه به تنوع مناطق امکانپذیر شد.
هزاران تصویر از سراسر شبکه به سیستم ایلیسا ارائه می‌شود که هر تصویر را پیکسل به پیکسل ارزیابی می‌کند تا ببیند آیا بافت سالم، بافت بیمار یا پس‌زمینه دارد یا خیر؟ حاشیه‌نویسان انسانی اولین نتایج ایلیسا را ارزیابی می‌کنند و تنظیماتی برای برنامه ارائه می‌شود تا بتواند از اشتباهات خود درس بگیرد.
برندان راپازو، نویسنده و دانشجوی دکترا، گروه علوم کامپیوتر، دانشگاه کرنل می‌گوید:
«محققان خروجی خود را دریافت می‌کنند، اصلاحات خود را به الگوریتم باز می‌فرستند و تکرار بعدی را بروز می‌کنند. اسکن اصلی برای برچسب گذاری ایلیسا، زمانی که کاملا تصادفی باشد، ممکن است نیم ساعت در هر اسکن طول بکشد. در تکرار بعدی، به 10 دقیقه، سپس به دو دقیقه، بعد یک دقیقه کاهش یابد. ما به نقطه‌ای رسیدیم که دقت آن در سطح انسانی بود و فقط به صورت پراکنده باید بررسی می‌شد.»
بر اساس یک مطالعه با کمک هوش مصنوعی، ناهنجاری‌های آب گرم، مستقل از دمای معمول برای یک مکان مشخص، دلیل اصلی بیماری هدر رفتن علف مارماهی است. این روند به محققان نشان داد که بررسی ارتباط بین بیماری و تغییرات آب و هوایی در همه شرایط مهم است، نه تنها در علفزارهای دریایی با آب و هوای گرم.
در ادامه هارول افزود: «ما یک دهه برای توسعه ابزارهای تشخیص بیماری برای نظارت بر این شیوع در مقیاس فضایی بزرگ سرمایه‌گذاری کرده‌ایم؛ زیرا مطالعات اولیه ما نشان می‌دهد که علف مارماهی می‌تواند به طغیان‌های ناشی از گرم شدن هوا حساس باشد. علف مارماهی یک زیستگاه دریایی ضروری و یک حلقه حیاتی در زنجیره بقا برای ماهیانی مانند سالمون و شاه ماهی است.»
به گفته گومز، هدف این است که با کمک هوش مصنوعی ایلیسا، آن را به گونه‌ای مقیاس‌بندی کنیم که بتوان از آن برای «علم شهروندی» در سراسر جهان استفاده کرد.
به گفته آئوکی، این مورد یکی از جذاب‌ترین ویژگی‌های این پروژه است: «ما می‌توانیم از مردم بخواهیم که بیماری علف‌دریایی را به این روش بسیار گسترده‌تر شناسایی کنند و از مشارکت عمومی بسیار بیشتری استفاده کنند. ما مطمئناً چند قدم با آن فاصله داریم، اما من فکر می‌کنم این یک مرز فوق‌العاده هیجان‌انگیز است.»
بنیاد ملی علوم بودجه‌ای برای این مطالعه فراهم کرده است.
خبرنگار: فرشاد خلقتی
منبع خبر: www.azorobotics.com
