Klekket lakseluslarver for å trene KI til kamp mot blodtørstige snyltere
Forskere lagde over 120 000 bilder av lakseluslarver i sjøvann og lot KI-modeller trene på dem. Modellene ble overlegent mye raskere og bedre enn erfarne biologer til å kjenne igjen parasittene som spiser skinn og blod av laksefisk.
Kortversjonen:
- Forskere har utviklet en ny metode som kan gi bedre kontroll på lakselus-problemet.
- Ved å lage kunstige data i form av bilder trente de KI-modeller til å skille luselarvene fra andre organismer og partikler som flyter rundt i sjøvann.
- Modellene er overlegent bedre enn erfarne biologer til å gjenkjenne snylterne.
- Lakselus spiser skinn og blod av laksefisk, er et stort problem for villfisk og ett av laksebransjens største problem.
- Ett eneste oppdrettsanlegg kan spre millioner av luselarver ut i fjordene - hver dag.
Den har alltid plaget og snyltet på vill laksefisk, men oppdrettsboomen har gitt Lepeophtheirus salmonis fantastisk gode levevilkår. År med intenst arbeid, forskning, forebygging, tiltak og reguleringer til tross: Den livskraftige lusa er fortsatt en stor belastning for villfisk og ett av laksebransjens største problem.
Ny og treffsikker modell
Nå har forskere fra NTNU og Universitetet i Wageningen i Nederland utviklet en ny metode som kan gi bedre kontroll på snylterne. Ved hjelp av ekte bilder av luselarver i sjø, produksjon av syntetiske dataekte data klippet og limt sammen på nye måter for å øke mengden med data og kunstig intelligens har de utviklet store datasett som KI-modellene kan trene på for å kjenne igjen lus. I en ny studie viser forskerne metoden, og hvordan den kan gjøre lusejakten mye mer effektiv.
Bedre enn erfarne biologer
Lars Christian Gansel. Leder ved Institutt for biologiske fag ved NTNU i Ålesund. Foto: FotografMA
Den siste studien viser at trente biologer brukte over 30 timer over flere dager på å identifisere 82 prosent av luselarvene i én stor og kompleks prøve med sjøvann. KI-modellen forskerne utviklet, trengte 30 minutter på å identifisere 97,5 prosent av larvene i den samme prøven.
– Det brukes og prøves ut mange tiltak for å bekjempe lakselus. Det er gjerne den samlede effekten av flere tiltak som vil gi bedre helse både for oppdrettslaks og vill laksefisk, sier forsker Lars Christian Gansel.
Han leder Institutt for biologiske fag ved NTNU i Ålesund og har vært med og utvikle metoden.
– For å dokumentere effekten av metoder i bruk, samt utvikling og tilpasning av nye tiltak trenger vi mer informasjon om spredning av lakseluslarver. Modellen vår gjør det mulig å få denne informasjonen, sier han.
Trafikklys – for villfiskens skyld
Hvert år settes det ut mellom 400 og 450 millioner settefisk av laks og regnbueørret i merder i Norge. Ett oppdrettsanlegg kan inneholde millioner av laks, og kan spre millioner av luselarver ut i fjordene hver eneste dag.
Måling av larver direkte i sjø vil ta vekk en del av usikkerheten i dagens system, der mengden larver beregnes ut fra lusetallet på oppdrettsfisken. Foto: Scanpix/NTB
Næringen reguleres gjennom trafikklysordningenOrdningen er laget for å verne villfisken. Utgangspunktet er at lakselusa påfører villbestandene mindre enn 10 prosent dødelighet. Oppdretterne må jevnlig telle og rapportere antall parasitter på fisken i merdene. Anleggene får trafikklys annet hvert år og mengden lus avgjør om de får vokse (grønt lys) , fortsette som før (gult) eller må kutte i produksjonen (rødt) som skal verne villfisken.
Les også: Regelverket har hull, villaksen er truet og oppdrettslaksen lider
– Skal vi lykkes i å ta knekken på lusa, er det best å forebygge og hindre kontakt mellom parasitten og fisken. For å utvikle, evaluere og dokumentere effekt av metoder som kan forebygge, gjelder det å oppdage larvene mens de ennå driver rundt i sjøen, sier forskeren.
Vanskelig å telle lakselus
Slik ser lakseluslarven ut i et mikroskop. Denne er på nauplius-stadiet. Det er det første stadiet etter klekking, da larvene flyter rundt i sjøen. Foto: SINTEF
Det er ikke bare lakseluslarver som driver rundt i norske fjorder. Det kan være så mange som hundretusenvis eller millioner av andre organismer per lakseluslarve i sjøen.
I forhold til den totale mengden plankton og andre partikler kan lusa faktisk betegnes som en sjelden organisme, ifølge Gansel.
– Derfor må vi analysere store vannmengder for å overvåke lus i sjøen. Bruker vi for lite vann, kan vi lett over- eller underestimere antallet, sier han.
Mye er prøvd for å telle luselarver, men kort oppsummert: Med de metodene som er brukt til gjennomgående overvåkning av lakseluslarver hittil, blir arbeidet både tungvint, upresist, tidkrevende og dyrt.
Lagde 120 000 lusebilder
– Tilgjengelige kamerasystem til analyse av plankton har gjerne for lite oppløsning til å skille arter og utviklingsstadier. Det finnes ennå ingen ferdig dokumentert metode til kontinuerlig overvåking av lakselus i sjøen, understreker Gansel.
Kunstig intelligens og maskinlæring har seilt opp som en mulighet. Utfordringen har vært mangel på høyoppløste, klare, beskrivende bilder av larver i ekte sjøvannsmiljø å trene KI-modellene på. Forskerne ved NTNU og Universitetet i Wageningen kan ha funnet en løsning. De har laget et eget videomikroskop og mer enn 120 000 bilder beriket med utklipp av luselarver og andre organismer. De har latt KI-modeller trene på de syntetiske dataene.
Laksenæringa har gjort lusas livsoppgave enklere. Før var det sjeldent at en enslig lus støtte på en vertsfisk ute i en fjord. Oppdrett har økt tilgangen på vertsfisk enormt, og mengden lus har skutt i været. Foto: Bengt Finstad
– Modellene fungerte like bra som ekspertene som brukte mikroskop. Selv om noen andre arter i sjøen kan ligne, klarte modellen å skille ut hva som var lakselus i store ekte sjøvannsprøver, sier Gansel.
Les også: Skal lære å kjenne lakselusa på gangen
Klekket lakselus til KI-trening
Bildet på skjermen er utklipp fra en video med plankton inkludert en luselarve, som blir gjenkjent av systemet. Foto: Lars Christian Gansel.
Forskerne har konsentrert partikler på størrelse med lakselus fra hundrevis av sjøvannsprøver. Totalt har de hentet og filtrert flere tusen kubikkmeter sjøvann ved oppdrettsanlegg og sjøareal nær Ålesund. Forholdene i sjøen kan variere med årstider og steder. Når det er få lakselus i omløp, tar det lang tid å lage gode datasett fra prøvene.
For å lage mer treningsmateriale, klekket forskerne ut lakseluslarver selv, som de tilsatte vannprøvene. Deretter lot de vannet renne sakte gjennom et glassrør, mens de filmet partiklene i vannstrømmen med et videomikroskop (bildet).
Klippe, kopiere, rotere
Ved hjelp av et program som kan spore og velge ut enkeltdeler i video, skilte de ut bilder av larver på to stadier: Nyklekkede lus eller Nauplier, og de litt større Kopepodittene som er klare til å feste seg på fisken.
Gansel forklarer:
– Enkeltbildene fra videoene vil ikke vise alle sider av larvene. Kanskje beveger de seg, og kanskje driver de bare i enkelte deler av røret. Fordi vi bare ser noen få av alle tilstander som er mulig, kan vi forbedre modellene ved å lage syntetiske data som brukes sammen med mange vanlige videoer.
A og C er ekte originalbilder tatt med videomikroskop. B og D er syntetiske bilder: Røde rammer inneholder «Nauplius». Brune: «Kopepoditter». De er justert med ulik lysstyrke, skarphet og retning for å øke mangfoldet i de kunstige dataene. Bildemontasje: Sølvi W. Normannsen
– Lakselus kan variere litt i størrelse. For å hensynta forskjellene kan vi skalere lusa, snu og vende på dem, og ta inn flere lus i samme bilde. Det samme kan vi gjøre med plankton og organismer som kan ligne lakselus, for å gjøre modellen enda bedre, forklarer Gansel.
Å trene KI – forklart ved hjelp av en stol:
- Læreprosessen til KI kan sammenlignes med når mennesker lærer abstrakte begreper. For å lære oss hva som er en stol, kan vi bruke mange bilder av en stol.
- Hjernen lager seg en modell av stolen, og vi forstår hva som utgjør en stol. Trener vi kun på bilder av blå stoler med fire bein, blir vi fort gode til å kjenne igjen akkurat slike stoler.
- Da er det ikke gitt at vi kjenner igjen en rød stol med tre bein, som en stol. Trener vi med forskjellige stoler, blir vi bedre til å kjenne igjen forskjellige stoler.
- Samtidig kan hjernen begynne å generalisere. Altså kjenne igjen også små bord som en stol. Derfor er det viktig å trene på gjenstander som kan ligne en stol, men som ikke er det.
- Det samme gjelder for KI-modeller og treningsdata for lakselus. Derfor må dataene de trener på inneholde mange forskjellige bilder av lus, men også andre organismer og partikler.
Fjerner mye usikkerhet
Modellene kan brukes til å overvåke lusebelastningen i områder der det forventes villfisk. De kan brukes til å beregne frislipp av larver, og undersøke hvordan de spres, vokser og utvikler seg. Overvåkning kan være en støtte for å vurdere mulige tiltak, og er viktig når man skal anslå sjansen for smitte mellom oppdrett og vill laksefisk.
–Måling av larver direkte i sjø vil ta vekk en del av usikkerheten i dagens system, der mengden larver beregnes ut fra lusetallet på oppdrettsfisken. Det kan gjøre lakseluskartet mye mer presist. Produksjonen kan planlegges bedre, og vi kan ta bedre avgjørelser for hvor vi kan drive oppdrett, og hvilke tiltak vi kan sette inn mot lus, mener NTNU-forsker Lars Christian Gansel.
Referanser:
Chao Zhang, Marc Bracke, Ricardo da Silva Torres, Lars Christian Gansel: «Rapid detection of salmon louse larvae in seawater based on machine learning» DOI: https://doi.org/10.1016/j.aquaculture.2024.741252
Chao Zhang, Lars Christian Gansel, Marc Bracke, Ricardo da Silva Torres: «An image synthesis framework for enhanced salmon louse larvae (Lepeoptherius Salmonis) detection in complex seawater conditions» Computers and Electronics in Agriculture. DOI: https://doi.org/10.1016/j.compag.2025.110985
