Diagnóstico viral y bacteriano basado en imágenes de larvas de abeja melífera utilizando aprendizaje automático

Área de la Ciencia:

• La apicultura
• Entomología veterinaria
• Inteligencia artificial en la agricultura

Sus antecedentes:

• Las abejas melíferas son polinizadores cruciales, pero las pérdidas de colmenas debido a enfermedades de cría representan una amenaza significativa para la agricultura y los ecosistemas.
• El diagnóstico preciso de las enfermedades de cría, como el foulbrood europeo (EFB) y las infecciones virales, es un desafío para los apicultores, que a menudo conducen a un uso inadecuado de antibióticos.
• El diagnóstico erróneo exacerba la resistencia a los antibióticos y daña la microbiota intestinal beneficiosa de las abejas, aumentando la vulnerabilidad de la colonia.

Objetivo del estudio:

• Explorar la viabilidad de una herramienta de diagnóstico de inteligencia artificial (IA) basada en imágenes para las enfermedades de las crías de abejas melíferas.
• Diferenciar entre el foulbrood europeo (EFB) y las infecciones virales comunes que afectan a las larvas de abejas melíferas mediante el aprendizaje automático.

Principales métodos:

• Se recogió un conjunto de datos de 2.759 imágenes de larvas de abejas melíferas de los apiarios de Michigan, verificadas molecularmente para detectar EFB y patógenos virales (ABPV, DWVA, DWVB).
• Se aumentaron los conjuntos de datos de imágenes y se ajustaron las redes neuronales convolucionales profundas (ResNet-50v2, ResNet-101v2, InceptionResNet-v2) utilizando el aprendizaje de transferencia.
• Los modelos fueron entrenados para discriminar entre EFB e infecciones virales y probados en un conjunto de datos independiente de Illinois.

Principales resultados:

• Los modelos de IA de prueba de concepto lograron una precisión del 73-88% en los conjuntos de capacitación / validación para distinguir EFB y infecciones virales.
• En un conjunto de datos independiente, los modelos mostraron una mayor precisión para EFB (72-88%) en comparación con las infecciones virales (28-68%).
• El estudio destaca el potencial de la IA, pero también identifica limitaciones, particularmente con diversos patógenos virales.

Conclusiones:

• Las herramientas de diagnóstico de IA basadas en imágenes ofrecen un enfoque prometedor para reducir los tratamientos antibióticos innecesarios en la apicultura.
• El diagnóstico preciso apoya el mantenimiento de la integridad del microbioma crucial para la salud de la colonia de abejas melíferas.
• El desarrollo adicional requiere conjuntos de datos ampliados que incluyan más patógenos y diversos datos geográficos para la preparación en el campo.