Ny gjellediagnostikk gir bedre innsikt og tryggere beslutninger

Tidligere ble gjelleskader oftest gradert manuelt på en skala fra null til tre. Selv om metoden gir semi-kvantitative data har resultatene begrensninger. Det er nettopp det PHARMAQ Analytiqs maskinlæringsmodeller er utviklet for å løse.

Bilde: Tradisjonell, semi-kvantitativ scoring gir kategoriske data. Ny metodikk gir kontinuerlige data med høy oppløsning.

Fra kategori til kontinuerlig score

I stedet for kategorier gir den nye metodikken en kontinuerlig score fra 0 til 100 %, som gjør det mulig å detektere trender mellom prøveuttak mer presist.

Modellene måler tre typer vevsforandringer som er gode indikatorer på samlet gjellehelse: reaktiv cellevekst i gjellenes lameller (hyperplasi), skader på blodkar (lamellære karskader) og betennelse. Alle disse er uspesifikke, altså kan de ha mange ulike årsaker, men de er nær sagt alltid til stede i stor grad hos fisk med alvorlige kroniske gjelleproblemer.

– Disse tre parameterne gir et helhetlig bilde av alvorlighetsgraden og fiskens tåleevne ved håndtering og behandling, forklarer Marianne Kraugerud, leder for histopatologi ved PHARMAQ Analytiq.

Maskinlæringsmodellen skal ikke erstatte patologens vurdering, men styrke den. Resultater gjennomgås av en veterinærpatolog som tolker tallene i kontekst og gir faglige råd.

– Vi bruker KI til å kvantifisere utbredelse og alvorlighetsgrad av forandringer som vi patologer ser. Men det er ikke KI som gjør den endelige vurderingen, det er det fortsatt vi som gjør, understreker veterinærpatolog Kai-Inge Lie.

Figuren over: Resultater fra maskinlæringsanalyse hos fem fisk i to ulike merder (M1 og M3). Fargekoder gir en rask oversikt over gjellehelsen i den aktuelle fiskegruppen. Hos fisk i M1 har flere individer moderat til uttalt patologi (gule, oransje og røde nyanser), mens fisken i M3 har utelukkende minimal eller mild patologi (grønne nyanser). Resultatene indikerer at fisken i M1 vil være risikabel å behandle med tanke på forringet gjellehelse, mens behandling av fisken i M3 innebærer mindre risiko.

Bedre data – bedre beslutninger over tid

Gjellehelseproblemene i norsk oppdrett er på fremmarsj. Ifølge Kraugerud øker både omfanget og den geografiske utbredelsen.

– Gjellehelseproblemene øker og sprer seg til stadig nye områder. Vi trenger bedre verktøy for å hjelpe oppdretterne med å avgjøre hva fisken faktisk tåler, sier hun.

Reproduserbare og sammenlignbare data gjør det enklere å gjenkjenne mønstre og trender.

– Gjøres dette systematisk over tid, kan man se fra år til år når forandringer begynner å tilta og handle i forkant, sier Lie.

Koblet mot oppdretterens egne produksjonsdata, som temperatur, sesong, behandlinger og innsett, gir dette et langt bedre grunnlag for å forstå hva som driver problemene.

Tryggere avgjørelser med kombinert metodikk

Maskinlæringsmodellene kombineres med tradisjonell histologipatologi for vurdering av omfanget av vevsskade, samt PCR-analyser som gir informasjon om smittsomme gjelleagens.  Sammen brukes disse metodene til blant annet gjellovervåking, utsettskontroll og helsesjekk før behandling. For et helhetlig bilde av fiskens samlede tåleevne kan det også inkluderes analyse av hjertehelsen.

En av situasjonene der beslutningsstøtten har størst verdi er ved helsesjekk før behandling. Her får oppdretteren en grundig vurdering av gjellehelsen i forkant av håndtering, og et viktig verktøy inn i risikovurdering av fiskegrupper.

– Hvis mye av gjellevevet er påvirket, vet du at fisken vil tåle en behandling dårligere. Da er du nødt til å velge de mest skånsomme metodene. Det er akkurat det vi vil hjelpe oppdretterne med å avgjøre, sier Kraugerud avslutningsvis.