FFL-JA-Forskningsmidlene for jordbruk og matindustri

Bak en lang og vanskelig tittel skjuler det seg egentlig en ganske enkel målsetting: vi ønsker å bruke kunstig intelligens for å forbedre vurderingen av skjeletthelse hos gris. Norge er et foregangsland i bruken av computer tomografi (CT) på gris For å ha friske og sunne griser er det minst like viktig hvilke foreldre man avler dem fra, som hvordan man holder dem etter at de er født. Det å velge ut griser til avl er derfor en omfattende prosess, særlig for rånene fordi de rekker å bli forelder til vesentlig flere grisunger enn purkene. Noen egenskaper måles på levende gris, mens andre måles etter slakting. For avlsråner måtte man historisk sett hente disse egenskapene fra slaktede griser de var i slekt med, men i 2008 kjøpte Norsvin, dvs. norske svinebønder en CT-skanner (også kjent som datatomograf eller CAT-skanner), og siden da har det vært mulig å skanne en hel, bedøvet råne på 90 sekunder. Når skannen er gjort kan man kutte grisen opp i virtuelle småbiter, uten å ta i en kniv. Dette er viktig fordi det betyr at man kan måle egenskapene i rånen selv, i tillegg til slektningene, og andre land følger nå etter. Man kan bruke kunstig intelligens for å finne ting i CT-bilder De fleste som har en smarttelefon er klar over at den kan kjenne igjen ansikter, for eksempel når man tar bilder. Dette er en form for kunstig intelligens som benytter seg av såkalt maskinlæring: hvis man merker av noe i et bilde og forteller datamaskinen mange nok ganger hva det er så kan den via nettverk som ligner på en hjerne lære seg å kjenne det igjen av seg selv. Osteochondrose er en utviklingssykdom som er vanlig i skjelettet på griser, hester, hunder, mennesker og andre arter. Sykdommen skyldes svikt i blodtilførsel som gir små infarkter i vekstbrusk, og når dyret vokser blir infarktene synlige som karakteristiske hakk i knoklene. Slike hakk burde det være mulig for kunstig intelligens å lære seg og kjenne igjen. I prosjektet har datamaskinen lært å gjenkjenne osteochondrose ved kunstig intelligens I prosjektet har vi fokusert på fire ledd fra CT av 201 griser: skulder, albu, bakkne og hase/ankelledd. Etter det opprinnelige målet undersøkte vi også osteochondrose i vekstplater og rygg, men fant ikke bevis for at sykdommen forårsaker noen problemer der på unge griser, så det ble lagt til side inntil videre. De fire nevnte leddene ble klippet ut fra CT bildene slik at de kunne rettes opp, ettersom grisene ofte ligger med beina i kors i skanneren. Etterpå tegnet en røntgenekspert rundt osteochondrose-hakkene i de fire leddene med forskjellige farger, piksel for piksel. Dette er for så vidt så enkelt som det høres ut, men det tar forferdelig lang tid. De fargelagte områdene ble matet inn i en datamaskin som så på dem igjen og igjen i flere runder, for å lære seg å kjenne dem igjen. Det var en spennende tid der datamaskinen ble satt i gang om ettermiddagen, gikk og lærte igjennom hele natten og så kunne man stå opp neste morgen for å se hvor flink den hadde blitt. Dess flere runder den går, dess bedre kan læringen bli, og etter en betydelig mengde tid er vi glade for å kunne fortelle at datamaskinen har lært seg å kjenne igjen osteochondrose i fire ledd! Resultatene støtter at maskinlæring og CT vil bli enda viktigere i fremtiden Maskinlæringen har blitt flinkere i bakkneleddet enn i de andre tre leddene, noe som har sin naturlige forklaring i at det var flere lesjoner å øve på i bakkneleddet. Historisk sett har man registrert osteochondrose på en måte som kan beskrives som å telle affiserte regioner for hånd. Med maskinlæring er det nå mulig å trykke på én knapp, og så lister datamaskinen opp både nøyaktig antall lesjoner, og volumet for lesjonene i kubikkmillimeter. Prosjektet har derfor resultert i utviklingen i et raskt og kraftig verktøy som vi gleder oss til å bruke i videre forskning, avl og hold av griser. Verktøyet betyr at man kan frigjøre arbeidskraft fra å telle lesjoner, til å gjøre mer informerte og derfor enda bedre vurderinger av hvordan man bruker resultatene for å oppnå best mulig helse og velferd for flest mulig griser. Prosjektet har allerede gitt oss litt ny informasjon i så måte: det ser ut som at det er en sammenheng mellom at griser som har mange lesjoner også har små lesjoner, noe som er ufarlig fordi små lesjoner gror av seg selv. Til sammenligning kan griser med få lesjoner ha enten små eller store lesjoner, og store lesjoner blir lettere til mer alvorlig sykdom. Hvis man bare teller antall risikerer man derfor uforvarende å selektere for mer alvorlig sykdom, og prosjektet støtter således at både antall og størrelse bør tas i betraktning når man skal velge de beste grisene å avle på. Det er lettere å måle størrelse i CT-bilder enn på noen annen måte, og informasjonen støtter både hvor viktig det kan være å bruke CT, og at det er ekstremt nyttig å kunne bruke maskinlæring for å finne ting for oss i bildene.

Prosjektet har hatt den virkningen at det har gitt oss et nytt verktøy i verktøykassen: vi kan lese av osteochondrose automatisk i fire ledd. I øyeblikket må leddene klippes ut fra CT-bildene først, men det gjøres også automatisk. For forsker-brukerne betyr dette endret praksis fordi man kan bruke verktøyet direkte i forskning der man har ressurser og tid til å klippe ut leddene før avlesning. For industri-målgruppen gjenstår det fortsatt et valg mellom å bruke tid på å klippe ut leddene før avlesning, eller på å oversette avlesningen fra utklippede ledd til hele griser før implementering. Valget koker ned til prioritering av hva man skal bruke datakraft på, og må balanseres mot de automatiske avlesningene som gjøres allerede av kjøtt- og fettprosent m.m. Når valget er tatt forventes prosjektet å ha stor virkning for industrien i form av endret praksis fra manuell til automatisk avlesning av osteochondrose. Prosjektet har også hatt den virkningen at det har endret måten de deltagende fagmiljøene ser på hele verktøykassen. Osteochondrose er en sykdom som oppstår og gror, dvs. oppfører seg dynamisk så lenge dyret fortsatt vokser, slik som i dette prosjektet. For fagmiljøet som jobber hovedsakelig med programmering har det vært en utfordring å jobbe med input som er dynamisk, ikke statisk, men de har tatt den på strak arm. Programmeringsmiljøet har utnyttet eksisterende kompetanse maksimalt og ervervet ny kompetanse i form av forståelse og håndtering av dynamiske data som de vil dra nytte av i fremtiden. Det veterinærmedisinske fagmiljøet har virkelig blitt inspirert og fått øynene åpnet for at biologiske spørsmål man tidligere måtte svare på gjennom nitid manuell registrering og analyse ofte kan besvares gjennom litt programmering i MatLab. Samlet sett betyr dette at vi nå ser helt nye måter å stille spørsmål, registrere og analysere data på som vil påvirke planleggingen av alle fremtidige studier. Dette gjelder særlig for omfattende prosjekter som krever store datamengder; her er tverrfaglig samarbeid som det nåværende prosjektet veien fremover, og vi kommer til å samarbeide på denne måten igjen. Seleksjon mot osteochondrose er viktig fordi det reduserer tap forbundet med griser som ikke når sitt potensiale på grunn av uhelse. Prosjektet kan således bidra til bedre forvaltning og mer bærekraftig matproduksjon i fremtiden. Genetikk brukes allerede i seleksjon, men det er basert på kunnskap om hvilke regioner av genomet som er involvert, ikke nøyaktig hvilke gener eller hva de gjør i osteochondrose. Det er vanskelig å svare på fordi det dreier seg om mange gener. En vakker dag i nær fremtid kan man koble prosjektets forbedrede registrering med genetisk analyse for tusenvis av griser, og da er svaret innen rekkevidde. Når det kommer vil det ikke bare eliminere feilkilder i registrering av osteochondrose på gris; det vil også kunne ha betydning for andre arter inkludert mennesker.

The skeleton in the spine and limbs grows by endochondral ossification. The most important disease that affects this process is osteochondrosis, which can be heritably predisposed. Osteochondrosis in joints can give loose fragments (osteochondrosis dissecans); osteochondrosis in growth plates can give angular limb deformities, while osteochondrosis in the spine can give hunchback and other deformities. Loose fragments can progress to painful osteoarthritis. Angled limbs or spine can also lead to abnormal loading and predispose for osteoarthritis, or claw problems that lead to early loss of breeding sows. In sum, there are few other diseases that influence the health, welfare, performance and longevity of pigs to the same extent as osteochondrosis. It is therefore extremely important to prevent this disease through selective breeding. All Norwegian potential breeding boars undergo computed tomographic (CT) scanning for automated quantification of lean meat and fat percentage for selection. Osteochondrosis is also manually evaluated in eight different places, something which takes a relatively long time per pig. Meat and fat percentage can be collected based on grey values in the CT scan, but for osteochondrosis it is unfortunately not that simple. We therefore plan to use machine learning, or artificial intelligence, because the technique can solve more complex tasks. In this project, machine learning will consist of a veterinarian marking osteochondrosis lesions in a number of CT scans. Thereafter, the computer will compare the images with and without markings and use so-called neural networks to teach itself to make the same markings as the veterinarian in unlimited numbers of CT scans. According to the aims, the computer will first be taught to recognise osteochondrosis in joints, then in growth plates, and finally in the spine, before the three machine learning protocols are joined together to make one model for automated whole-body scoring of osteochondrosis.