機械学習による画像ベースのミツバチの幼虫のウイルスおよび細菌診断
Duan C Copeland1, Brendon M Mott2, Oliver L Kortenkamp2,3
1USDA-ARS Carl Hayden Bee Research Center, 2000 E. Allen Rd, Tucson, AZ, 85719, USA. duan.copeland@usda.gov.
Scientific reports
|August 21, 2025
まとめ
ミツバチの巣の病気を診断するAIツールが開発され,ミツバチの巣の病気とウイルス感染を区別する. 必要な抗生物質の使用を減らし ミツバチの健康を守ることができます
科学分野:
- ミツバチ飼育
- 獣医学昆虫学
- 農業における人工知能
背景:
- ミツバチは重要な受粉者ですが 巣箱の損失は 巣箱の病気によって 農業や生態系に重大な脅威をもたらします
- 繁殖病やウイルス感染症の 正確な診断は 養蜂家にとって課題であり,しばしば 抗生物質の不適切な使用につながります.
- 誤った診断は 抗生物質耐性を悪化させ 蜂の有益な腸内微生物群を害し コロニーの脆弱性を高めます
研究 の 目的:
- ミツバチの巣の病気に対する画像ベースの人工知能 (AI) 診断ツールの実現可能性を調査する.
- 機械学習を用いてミツバチの幼虫に感染する 常見のウイルス感染症と ヨーロッパのミツバチ菌 (EFB) を区別する.
主な方法:
- ミシガン州のミツバチから2,759個のミツバチ幼虫の画像が収集され,EFBとウイルス病原体 (ABPV,DWVA,DWVB) の分子検証が行われました.
- 画像データセットが拡張され,トランスファー・ラーニングを使用して深部収縮ニューラルネットワーク (ResNet-50v2,ResNet-101v2,InceptionResNet-v2) が微調整されました.
- モデルはEFBとウイルス感染を区別するために訓練され,イリノイ州の独立したデータセットでテストされました.
主要な成果:
- 概念実証AIモデルは,EFBとウイルス感染を区別するためのトレーニング/検証セットで73~88%の精度を達成しました.
- 独立したデータセットでは,ウイルスの感染 (28-68%) に比べてEFB (72-88%) の正確性が高かった.
- この研究はAIの可能性を強調しているが,特に多様なウイルス病原体に関する制限も特定している.
結論:
- 画像ベースのAI診断ツールは 養蜂における不必要な抗生物質治療を減らすための有望なアプローチを提供します
- 正確な診断はミツバチコロニーの健康に不可欠な 微生物群の保全を支援します
- これからの開発には,より多くの病原体とフィールド準備のための多様な地理的なデータを含む拡張されたデータセットが必要です.
