Classificação automática em teste de toxicidade embrio-larval de ouriço-do-mar (echinometra lucunter) por meio de técnicas de aprendizado de máquinas
Data
2023-12-04
Autores
Robinson, Yasmin Mohamad 
Orientadores
Choueri, Rodrigo Brasil
Tipo
Trabalho de conclusão de curso
Título da Revista
ISSN da Revista
Título de Volume
Resumo
O teste de desenvolvimento embrio-larval de ouriço do mar é amplamente utilizado na ecotoxicologia. Apesar de nacional e internacionalmente padronizado, existe a possibilidade de variação na leitura dos resultados uma vez que esta é feita pelo elemento humano, cuja decisão de se uma larva apresenta desenvolvimento anômalo ou normal, em muitos casos, pode variar dependendo do observador. Por isso, entende-se vantajosa a criação de uma ferramenta de inteligência artificial que possa realizar, de maneira automática, a partir de imagens dos organismos após fixação ao final do tempo de exposição, a identificação, contagem e determinação dos indivíduos anômalos em uma amostra, o que por fim determina o nível de toxicidade desta amostra, diminuindo a ambiguidade e os erros de classificação na execução do teste. Para o presente trabalho, portanto, foram utilizadas redes neurais de aprendizado profundo apresentando a arquitetura de rede VGG-16 para a construção de dois modelos de classificação referentes ao teste de toxicidade embrio-larval de ouriços do mar capazes de distinguir 4 níveis de desenvolvimento larvais/embrionários diferentes da espécie Echinometra Lucunter e que contasse com a distinção de detritos. O modelo construído com 5 classes reportou uma acurácia global de predição de 83% na validação, enquanto o modelo montado com apenas as 4 classes de desenvolvimento larvais reportou uma acurácia de 86%, mostrando uma performance muito próxima à de especialistas humanos e superior a outro método de aprendizado de máquina empregado em trabalho publicado.
The sea urchin embryo toxicity test is widely used in the area of ecotoxicology. Despite being nationally and internationally standardized, there exists slight variation in the interpretation of its results since it is evaluated by humans through eyesight, whose determination on whether a larva shows abnormal or normal development can vary depending on the observer. Therefore, the creation of an artificial intelligence tool that can automatically identify, count and determine anomalous individuals in a sample from images of organisms after fixation at the end of the exposure time of the test is considered advantageous. The development of a classification model helps ultimately determine the toxicity level of a sample, by reducing ambiguity and classification errors in test execution. For this study, deep learning neural networks using the VGG-16 network architecture were used to build two classification models: the first one capable of distinguishing four different levels of larval/embryonic development of the species Echinometra Lucunter and the second model with an additional class, included so the model could distinguish debris from larvae. The classification model built with five classes reported an overall prediction accuracy of 83% in validation, while the model with only the four larval development classes reported an accuracy of 86%, demonstrating a performance very close to that of human experts and superior to another machine learning method employed in a previous published work.
The sea urchin embryo toxicity test is widely used in the area of ecotoxicology. Despite being nationally and internationally standardized, there exists slight variation in the interpretation of its results since it is evaluated by humans through eyesight, whose determination on whether a larva shows abnormal or normal development can vary depending on the observer. Therefore, the creation of an artificial intelligence tool that can automatically identify, count and determine anomalous individuals in a sample from images of organisms after fixation at the end of the exposure time of the test is considered advantageous. The development of a classification model helps ultimately determine the toxicity level of a sample, by reducing ambiguity and classification errors in test execution. For this study, deep learning neural networks using the VGG-16 network architecture were used to build two classification models: the first one capable of distinguishing four different levels of larval/embryonic development of the species Echinometra Lucunter and the second model with an additional class, included so the model could distinguish debris from larvae. The classification model built with five classes reported an overall prediction accuracy of 83% in validation, while the model with only the four larval development classes reported an accuracy of 86%, demonstrating a performance very close to that of human experts and superior to another machine learning method employed in a previous published work.
Descrição
Citação
ROBINSON, Yasmin Mohamad. Classificação automática em teste de toxicidade embrio-larval de ouriço-do-mar (echinometra lucunter) por meio de técnicas de aprendizado de máquinas. 2023. 45 f. Trabalho de conclusão de curso (Graduação em Bacharelado Interdisciplinar em Ciência e Tecnologia do Mar) - Universidade Federal de São Paulo, Instituto do Mar, Santos, 2023.