Un nuevo estudio publicado en la prestigiosa revista Aquaculture, titulado «Rapid detection of salmon louse larvae in seawater based on machine learning», utilizó esta tecnología para detectar larvas en diferentes etapas en el agua de mar en salmónidos. Este avance hace factible la idea de monitorear la presencia de estos parásitos como una posible solución al riesgo de infección tanto del salmón cultivado como del salvaje.
Problemática
La proliferación del piojo de mar es uno de los problemas más desafiantes en la salmonicultura, afectando gravemente el bienestar tanto de los salmónidos cultivados como de los salvajes. La detección temprana de estos parásitos en el agua de mar, especialmente en la etapa (pre) infecciosa, es fundamental para la gestión precisa de la proliferación del piojo de mar.
Los métodos para detectar piojos de mar en el agua de mar hasta la fecha involucran microscopía óptica y de fluorescencia tradicional y métodos de Reacción en Cadena de la Polimerasa (PCR). Sin embargo, estos métodos requieren preprocesamiento de muestras y son laboriosos y lentos, lo que dificulta su aplicación para la tarea de detección continua y rápida de piojos de mar en grandes volúmenes de agua.
Sobre el estudio
Este estudio tiene como objetivo desarrollar un método rápido y fácil de usar para la detección de piojos de mar en el agua de mar. Se introdujo un nuevo enfoque para la detección de piojos de mar en diferentes etapas larvarias en el agua de mar mediante el aprovechamiento del aprendizaje automático.
“Se desarrolló una configuración para la adquisición rápida de imágenes de piojos de mar en agua de mar, y se creó un conjunto de datos que comprende 8.316 imágenes que abarcan los estados de «Nauplius Vivo», «Nauplius Cascara» y «Copepodito» del piojo de mar”, detallaron los investigadores.
Luego, “se entrenaron, probaron y compararon 16 modelos de detección de objetos, incluidos modelos basados en redes neuronales convolucionales (CNN) de una y dos etapas y modelos basados en transformadores, en este conjunto de datos completo”, puntualizaron los expertos.
Resultados
“RT-DETR mostró el mejor rendimiento entre todos los modelos probados con una precisión de 0,972 y una recuperación de 0,978. Los modelos de la serie YOLO, excepto YOLOv3, mostraron notables velocidades de inferencia (que van desde 152 a 416 cuadros por segundo) mientras mantenían una alta precisión (que van desde 0,968 a 0,977) y recuperación (que van desde 0,964 a 0,970)”, detallaron los científicos.
Los autores resaltaron que según sus conocimientos, esta es la primera vez que se aplica el aprendizaje automático a la tarea de detección rápida de larvas de piojo de mar en diferentes etapas en muestras de agua de mar. Los resultados demostraron que los enfoques de aprendizaje automático pueden lograr una detección rápida, fácil de usar y rentable de los piojos de mar en el agua de mar.
