基于图像的蜜蜂幼虫病毒和细菌诊断使用机器学习
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
概括
一个人工智能工具对诊断蜜蜂病具有前景,可以区分欧洲虫和病毒感染. 这可以减少不必要的抗生素使用, 并保护蜜蜂的健康.
科学领域:
- 蜜蜂养殖
- 兽医昆虫学
- 农业中的人工智能
背景情况:
- 蜜蜂是重要的授粉者,但由于繁殖疾病造成的蜂巢损失对农业和生态系统构成重大威胁.
- 对于养蜂者来说,准确诊断蜂群疾病,如欧洲虫病 (EFB) 和病毒感染,是一项挑战,往往导致不适当的抗生素使用.
- 错误诊断会加剧抗生素耐药性,并损害有益的蜜蜂肠道微生物群,增加蜂群的脆弱性.
研究的目的:
- 探索基于图像的人工智能 (AI) 诊断工具的可行性.
- 通过机器学习区分影响蜜蜂幼虫的欧洲虫 (EFB) 和常见的病毒感染.
主要方法:
- 从密歇根州的蜂群中收集了2,759张蜜蜂幼虫图像的数据集,并通过分子验证检测出EFB和病毒病原体 (ABPV,DWVA,DWVB).
- 图像数据集得到了增强,并使用转移学习进行了深度卷积神经网络 (ResNet-50v2,ResNet-101v2,InceptionResNet-v2) 的微调.
- 训练模型以区分EFB和病毒感染,并对来自伊利诺伊州的独立数据集进行测试.
主要成果:
- 在EFB和病毒感染区分的培训/验证组中,概念验证AI模型的准确度达到73-88%.
- 在一个独立的数据集上,模型显示EFB的准确性比病毒感染 (28-68%) 高.
- 这项研究突出了人工智能的潜力,但也指出了它的局限性,特别是在各种病毒病原体方面.
结论:
- 基于图像的AI诊断工具提供了一种有前途的方法来减少养蜂中不必要的抗生素治疗.
- 准确的诊断有助于维持蜂群健康的微生物组完整性.
- 进一步发展需要扩大数据集,包括更多的病原体和多样化的地理数据,以确保现场准备.
