Project
Artificial intelligence for screening gonads
Every 3 years the mackerel and horse mackerel egg survey is executed by the ICES Working Group on Mackerel and Horse Mackerel egg surveys (WGMEGS). Besides plankton samples also gonad samples of female fish are collected by the survey participants. The egg and adult parameters are of equal importance and are used to estimate the Spawning Stock Biomass (SSB). The first step in estimating the adult parameters is the screening of the gonads in histological slides. The slides are scanned and screened for the presence and absence of the development stages of oocytes. This is a time consuming task. At the moment artificial intelligence (AI) is rapidly becoming more important, and used in screening for health care. Artificial intelligence is already used for scanning human tissue in several hospitals to speed up cancer diagnostics and it is expected that artificial intelligence could also be used to analyse gonadal tissue of fish. The benefit of using artificial intelligence is that it increases the accuracy of the results and possibly reduces personnel time and costs.
Artificieel intelligence wordt steeds belangrijker in onderzoek. AI wordt al gebruikt in ziekenhuizen voor het scannen van menselijk weefsel om kanker diagnostiek te versnellen. De verwachting is dat dezelfde technieken gebruikt kunnen worden voor het scannen van gonade weefsel van vissen. De voordelen van AI zijn dat het de nauwkeurigheid van de analyses vergroot en dat het mogelijk (personeel) kosten bespaard.
Elke drie jaar wordt de makreel en horsmakreel ei-survey uitgevoerd door ICES Working Group on Mackerel and Horse Mackerel egg survey’s (WGMEGS). Behalve plankton monsters worden er ook gonaden van vrouwelijke vissen verzameld door de deelnemers. De ei en volwassen parameters zijn even belangrijk en worden gebruikt om de Spawning Stock Biomass (SSB) te bepalen. Als AI gebruikt kan worden om de kwaliteit van de volwassen parameters te verbeteren dan betekend dit ook dat de SSB nauwkeuriger wordt bepaald en dat de kwaliteit van de survey in zijn geheel toeneemt.
In principe zijn er twee mogelijkheden om dit te doen: gebruik maken van een commercieel platform of het in-huis ontwikkelen van een algoritme. Het voordeel van een commercieel platform is dat je redelijk eenvoudig kan starten maar uiteindelijk is er weinig inzicht hoe de algoritme werkt. Andersom zal het ontwikkelen van een in-huis algoritme in het begin tijd kosten maar het geeft wel de mogelijkheid om te begrijpen hoe de algoritme werkt.
Van andere projecten met AI hebben we geleerd dat het belangrijk is om van te voren goed te bepalen wat de voor en nadelen zijn van beide methoden. Op het moment dat AI werkt dan zal het project vermoedelijk nog vele jaren zal doorlopen. Daarom willen we in dit project eerst een gedegen kosten baten analyse doen tussen het commerciële platform en het ontwikkelen van een in-huis algoritme.
Met de ervaring die we krijgen om het in-huis algoritme te ontwikkelen voor 1 gonade structuur krijgen we inzicht hoeveel tijd en moeite het kost om een algoritme te ontwikkelen voor alle gonade structuren. Dit zal vergeleken worden met het gebruik van een commercieel AI platform en de huidige kosten die gemaakt worden met de standaard screening van makreel gonaden. Als AI gebruikt kan worden dan betekend dit dat de kwaliteit van de makreel en hors makreel ei-survey wordt verbeterd en dat dezelfde methode waarschijnlijk eenvoudig aangepast kan worden voor andere soorten.