生态领域方法和尖端人工智能的结合帮助一个跨学科研究小组在从圣地亚哥到阿拉斯加南部的西海岸1,700英里长的近30个地点发现了鳗草消瘦病。

关键发现：海草消瘦——由带状迷路菌引起，可通过草叶上的病变检测到，经分子诊断证实——与水温高于正常水平有关，尤其是在初夏，无论在哪个地区。鳗草是鱼类栖息地、生物多样性、海岸线保护和碳封存的重要沿海海草物种。

康奈尔大学的研究团队——由康奈尔大学计算与信息科学学院的RonaldC.和AntoniaV.Nielsen计算与信息科学教授CarlaGomes和生态系名誉教授DrewHarvell领导和进化生物学(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上报告了他们的发现。

共同主要作者是BrendanRappazzo，M.Eng。'18，计算机科学博士生，和LillianAoki，'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OliviaGraham和MorganEisenlord也做出了贡献。

史密森学会的合著者J.EmmettDuffy是美国国家科学基金会(NSF)一项为期三年、价值130万美元的资助的首席研究员，这项研究由此诞生。人工智能研究和开发由NSFExpeditionsinComputing资助，以实现计算可持续性;Harvell和史密森尼学会最初的合作是作为康奈尔阿特金森可持续发展中心的一个倡议而发展起来的。

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，经过适当训练，可以快速分析数千张海草图像叶子和区分病变组织和健康组织。

EeLISA的工作速度有多快?据研究人员称，它的工作速度比人类专家快5,000倍，而且准确度相当。随着应用程序获得更多信息，它会变得“更智能”并产生更一致的结果。

“这确实是一个关键组成部分，”Rappazzo说，他在2021年的AAAI人工智能会议上因其在EeLISA上的工作而获得了创新应用奖。“如果你给四个不同的人进行相同的鳗草扫描来标记，他们都会给出不同的疾病测量值。您拥有所有这些变化，但使用EeLISA，它不仅速度更快，而且标签始终如一。”

“在传统的机器学习中，你需要预先大量标记数据，”戈麦斯说。“但是有了EeLISA，我们从提供图像的科学家那里得到了反馈，并且系统改进得非常快。所以最终，它不需要那么多带标签的例子。”

该项目涉及太平洋沿岸32个现场站点的网络，横跨23个纬度。这种地区的多样性使得研究不同气候和环境中的海草枯萎病成为可能。

来自站点网络的数千张图像被输入EeLISA系统，该系统逐个像素地分析每张图像，以确定每张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者评分，并对软件进行更正，以便从错误中学习。

“研究人员得到他们的输出，将他们的更正发送回算法，它会更新下一次迭代，”Rappazzo说。“用于标记EeLISA的原始扫描，当它完全随机时，每次扫描可能需要半小时。到下一次迭代，它可能会缩短到10分钟，然后到2分钟，然后是1分钟。我们达到了人类水平的准确性，只需要偶尔检查一下。”

人工智能研究表明，暖水异常——无论特定地区的正常温度是多少——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于所有条件都是必要的，而不仅仅是在温暖地区的海草草地。

“我们投入了十年时间来开发疾病识别工具，以在大空间范围内监测这些爆发，”哈维尔说，“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，使其可以在全球范围内用于“公民科学”。青木说，这是这项工作最有趣的方面之一。

“我们可以要求人们以这种更广泛的方式识别海草病，利用更多的公众参与，”她说。“我们当然离那个还有几步之遥，但我认为这是一个令人难以置信的令人兴奋的前沿。”