Explainable machine learning for predicting shellfish toxicity in the Adriatic Sea using long-term monitoring data of HABs

Diese Studie nutzt erklärbare maschinelle Lernverfahren auf einem 28-jährigen Datensatz, um die Toxizität von Muscheln im Golf von Triest durch schädliche Algenblüten vorherzusagen und identifiziert dabei spezifische Dinophysis-Arten sowie Umweltfaktoren als entscheidende Prädiktoren für Durchfallauslösende Muschelvergiftungen (DSP).

Das Wesentliche

Titel: Wie wir mit Hilfe von KI die Muschel-Vergiftung vorhersagen – Eine Reise in die Adria

Stellen Sie sich vor, die Adria ist wie ein riesiges, lebendiges Aquarium, in dem Muscheln gezüchtet werden. Diese Muscheln sind für uns Menschen eine köstliche Delikatesse. Aber manchmal passiert etwas Unangenehmes: Kleine Algen, die sogenannten "Harmful Algal Blooms" (schädliche Algenblüten), vermehren sich explosionsartig und produzieren Gift. Wenn die Muscheln diese Gifte aufnehmen, werden sie für uns gefährlich.

Bisher mussten Fischer und Behörden oft warten, bis die Muscheln bereits vergiftet waren, um sie zu sperren. Das ist wie ein Feuerwehreinsatz, bei dem man erst kommt, wenn das Haus schon brennt. Die Forscher aus Slowenien wollten das ändern. Sie wollten ein Frühwarnsystem entwickeln, das sagt: "Achtung, Gefahr droht!", bevor es zu spät ist.

Hier ist die Geschichte ihrer Arbeit, einfach erklärt:

1. Das riesige Daten-Notizbuch

Die Forscher haben sich ein riesiges Notizbuch über 28 Jahre angesehen. Darin steht alles, was in der Adria passiert ist:

• Welche Algen waren im Wasser?
• Wie viel Salz war im Wasser?
• Wie warm war es?
• Wie viel Wasser floss von den Flüssen ins Meer?
• Und vor allem: Waren die Muscheln giftig oder nicht?

Das Problem war: Die Daten waren chaotisch. Manchmal fehlten Einträge, manchmal wurden die Messmethoden geändert (wie wenn man von einem alten Lineal auf ein digitales Maßband umsteigt). Die Forscher mussten dieses Chaos aufräumen, Lücken füllen und die Daten so aufbereiten, dass eine Maschine sie verstehen kann.

2. Der KI-Detektiv: Der "Random Forest"

Stellen Sie sich vor, Sie müssten herausfinden, wann es regnen wird. Sie könnten einen einzigen Experten fragen (das wäre ein einfacher Algorithmus). Aber was, wenn Sie 300 Experten fragen, die sich alle untereinander beraten? Das Ergebnis wäre viel genauer.

Genau das haben die Forscher gemacht. Sie haben einen Algorithmus namens "Random Forest" (Zufallswald) trainiert.

• Wie funktioniert das? Der "Wald" besteht aus vielen kleinen Entscheidungsbäumen. Jeder Baum schaut sich die Daten an (z. B. "Ist das Wasser warm?" und "Sind viele Algen da?") und trifft eine kleine Entscheidung. Am Ende stimmen alle Bäume ab.
• Das Ergebnis: Dieser "Wald" war der beste Detektiv. Er konnte ziemlich genau vorhersagen, wann die Muscheln giftig werden würden.

3. Das Problem der "Black Box" und die Brille der Erklärbarkeit

Ein großes Problem bei modernen KI-Modellen ist, dass sie oft wie eine Black Box funktionieren: Man gibt Daten rein, und ein Ergebnis kommt raus. Aber warum hat die KI das entschieden? Das weiß niemand.

In der Medizin oder bei der Lebensmittelsicherheit reicht es aber nicht zu wissen, dass es passiert. Man muss wissen, warum, damit man Vertrauen hat. Deshalb haben die Forscher eine Brille der Erklärbarkeit (XAI) aufgesetzt. Sie haben die KI gezwungen, ihre Gedanken laut zu erklären.

Was hat die KI gelernt?
Die KI hat uns verraten, worauf sie besonders achtet:

1. Die bösen Algen: Zwei bestimmte Algenarten (Dinophysis fortii und D. caudata) sind die Hauptschuldigen. Wenn diese in großer Zahl auftauchen, ist die Gefahr groß.
2. Das Wetter und das Wasser:
   • Salzgehalt: Wenn das Wasser weniger salzig ist (weil viel Regen fällt oder Flüsse viel Wasser bringen), mögen die Algen das.
   • Flusswasser: Wenn der Fluss Soča viel Wasser ins Meer spült, steigt die Gefahr.
   • Temperatur: Warmes, stabiles Wasser ist wie ein Buffet für diese Algen.

4. Ein einfaches Beispiel aus dem "Wald"

Stellen Sie sich vor, die KI trifft eine Entscheidung wie ein einfacher Baum:

• Ist die Alge "D. fortii" im Wasser?
  • Ja (mehr als 30 Stück pro Liter): Alarm! Die Muscheln sind wahrscheinlich giftig.
  • Nein: Okay, schauen wir mal weiter.
    • Ist die Alge "D. caudata" da?
      • Ja: Und ist das Wasser weniger salzig als 36,17? -> Alarm!
      • Nein: Alles sicher.

Das ist so einfach, dass ein Fischer es sofort verstehen kann.

Warum ist das wichtig?

Früher mussten Muschelfarmen oft wochenlang geschlossen bleiben, nur weil man unsicher war. Das kostet die Fischer viel Geld und die Kunden warten vergeblich auf frische Muscheln.

Mit diesem neuen System können die Behörden jetzt proaktiv handeln:

• Wenn die KI sagt "Gefahr droht in 2 Wochen", können die Fischer vorsorglich die Ernte stoppen, bevor die Muscheln wirklich giftig sind.
• Wenn die KI sagt "Alles sicher", können sie weiter produzieren, ohne Angst zu haben.

Fazit

Die Forscher haben gezeigt, dass man mit Hilfe von künstlicher Intelligenz und cleveren Daten nicht nur Vorhersagen treffen, sondern auch verstehen kann, warum diese Vorhersagen stimmen. Es ist wie ein erfahrener alter Fischer, der den Wind und das Wasser kennt, nur dass dieser Fischer aus Millionen von Datenpunkten gelernt hat und nie müde wird.

Das Ziel ist es, die Muscheln sicherer zu machen, die Fischer vor finanziellen Verlusten zu schützen und uns alle vor einer Vergiftung zu bewahren. Ein Gewinn für alle!

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Technische Zusammenfassung: Erklärbare maschinelles Lernen zur Vorhersage von Muschel-Toxizität in der Adria

1. Problemstellung
Die Aquakultur von Muscheln (insbesondere Mytilus galloprovincialis) im Golf von Triest (Adriatisches Meer) ist durch schädliche Algenblüten (HABs) gefährdet, die zu einer Anreicherung von Toxinen führen. Das Hauptproblem ist das diarrhoische Muschelvergiftungssyndrom (DSP), verursacht durch Dinoflagellaten der Gattung Dinophysis und Phalacroma.

• Herausforderung: Bestehende Überwachungssysteme reagieren oft reaktiv. Handelsverbote werden erst verhängt, wenn die Toxizität in den Muscheln nachgewiesen ist, was zu wirtschaftlichen Verlusten und Unsicherheit für die Landwirte führt.
• Datenlage: Es liegen langfristige Daten (28 Jahre, 1994–2021) vor, jedoch sind diese heterogen (unterschiedliche Probenahmefrequenzen, Methodenwechsel von Bioassays zu LC-MS/MS) und stark unausgewogen (sehr wenige positive Toxizitätsfälle im Vergleich zu negativen).
• Forschungslücke: Während ML-Modelle zur Vorhersage des Auftretens von Algenarten existieren, gibt es wenig Forschung zur direkten Vorhersage der Toxizität in Muscheln. Zudem fehlt es oft an Erklärbarkeit ("Black-Box"-Problem), was die Akzeptanz bei Behörden und Landwirten erschwert.

2. Methodik

Datenaufbereitung und -integration:

• Datensatz: Zusammenführung von Daten zu toxischem Phytoplankton, Muschel-Toxinkonzentrationen und physikalisch-chemischen Umweltdaten (Salinität, Temperatur, Flussabfluss, Niederschlag).
• Vorverarbeitung:
  • Harmonisierung der Probenahmefrequenzen und Methoden (z. B. Anpassung der Zellzahlen aus Netzfängen um zwei Größenordnungen).
  • Binärisierung der Toxizitätsdaten: Alle Werte wurden auf eine binäre Zielvariable (0 = negativ, 1 = positiv) umgewandelt, basierend auf dem gesetzlichen Grenzwert von 176 µg/kg.
  • Umgang mit fehlenden Werten: Interpolation basierend auf benachbarten Stationen und Zeitfenstern.
  • Klassenungleichgewicht: Da nur ca. 12 % der Daten positiv waren, wurden Techniken zur Datenanreicherung angewendet:
    • SMOTE (Synthetic Minority Over-sampling Technique) für die Minderheitsklasse.
    • Undersampling der Mehrheitsklasse (Edited Nearest Neighbours) zur Entfernung von "konfliktären" negativen Beispielen.
    • Dimensionalitätsreduktion mittels UMAP zur Visualisierung der Datenverteilung.

Modellierung und Training:

• Algorithmen: Vier verschiedene ML-Algorithmen wurden trainiert und verglichen:
  1. Entscheidungsbaum (Decision Tree - DT)
  2. Random Forest (RF)
  3. Support Vector Machine (SVM)
  4. Künstliches Neuronales Netz (MLP/ANN)
• Validierung: Ein strenger 100-facher Iterationsprozess mit 5-facher Kreuzvalidierung (Stratified) auf einem 70/30 Train/Test-Split.
• Hyperparameter-Optimierung: Grid Search basierend auf dem mittleren F1-Score, um ein Gleichgewicht zwischen Präzision und Recall zu finden.

Erklärbarkeit (XAI):
Um das "Black-Box"-Problem zu adressieren, wurden folgende Methoden angewendet:

• DT: Direkte Visualisierung der Entscheidungsregeln.
• Permutation Importance: Messung des Leistungsabfalls beim Zufalls-Shuffling von Variablen.
• SHAP (Shapley Additive Explanations): Nutzung von TreeExplainer für RF, um den Beitrag einzelner Merkmale (Feature Importance) und deren Richtung (positiv/negativ) zur Vorhersage zu quantifizieren.

3. Schlüsselergebnisse

Modellleistung:

• Der Random Forest (RF)-Algorithmus erzielte die beste und stabilste Leistung mit einem durchschnittlichen F1-Score von 0,65 (Präzision: 0,74, Recall: 0,59).
• DT und ANN zeigten ähnliche, aber geringere Leistungen (F1-Score ca. 0,43).
• Ein Trade-off wurde identifiziert: Ein höherer Recall (bessere Erkennung positiver Fälle) führt zu einem starken Abfall der Präzision (mehr False Positives). Für Frühwarnsysteme (EWS) wird jedoch ein höherer Recall oft als akzeptabler Kompromiss betrachtet, da positive Vorhersagen im Labor verifiziert werden können.

Erklärbare Erkenntnisse (XAI):
Die XAI-Analysen identifizierten die wichtigsten Prädiktoren für DSP-Ausbrüche:

1. Biologische Faktoren:
   • Dinophysis fortii ist der stärkste Prädiktor (höchste Permutation Importance und SHAP-Werte).
   • Dinophysis caudata und die Gesamtabundanz aller DSP-Arten (DSP-tot) folgen in der Wichtigkeit.
   • Hohe Abundanzen dieser Arten korrelieren stark mit positiven Toxizitätstests.
2. Umweltfaktoren:
   • Salinität: Niedrigere Salinität (oft durch Süßwasserzufuhr) erhöht das Risiko.
   • Flussabfluss (Soča-Fluss): Hohe Abflussmengen (Niedrigwasser in der Adria) und Niederschläge begünstigen die Toxizität, vermutlich durch Schichtung des Wassers und Nährstoffeintrag.
   • Temperatur: Höhere Wassertemperaturen (Sommer/Herbst) korrelieren mit erhöhtem Risiko.

Fallbeispiel:
Ein SHAP-Kraftdiagramm (Force Plot) zeigte, wie das Modell einen spezifischen Fall korrekt als positiv vorhersagte: Hohe Werte von D. fortii und DSP-tot sowie lange Sonnenscheindauer trieben die Vorhersage nach oben, während hohe Salinität und niedriger Flussabfluss die Konfidenz leicht dämpften.

4. Hauptbeiträge

• Datenbasis: Erstellung und öffentliche Verfügbarkeit eines einzigartigen, 28-jährigen Datensatzes für die Adria, der Phytoplankton, Toxine und Umweltparameter integriert.
• Methodischer Fortschritt: Demonstration, dass ML-Modelle (insbesondere RF) die direkte Vorhersage von Muschel-Toxizität (nicht nur Algenvorkommen) erfolgreich bewältigen können, trotz starker Klassenungleichgewichte und Datenrauschen.
• Erklärbarkeit (XAI): Integration von XAI-Methoden, um nicht nur Vorhersagen zu treffen, sondern auch die biologischen und physikalischen Treiber der Modelle zu validieren. Dies erhöht das Vertrauen in die Modelle für den Einsatz in der Praxis.
• Praktische Relevanz: Identifikation spezifischer Schwellenwerte (z. B. D. fortii > 30 Zellen/l), die als Frühwarnindikatoren dienen können.

5. Bedeutung und Ausblick

Die Studie belegt, dass erklärbare KI ein wertvolles Werkzeug für das Management von Aquakulturen und den Schutz der öffentlichen Gesundheit ist. Durch die Integration dieser Modelle in Frühwarnsysteme (EWS) können Behörden und Landwirte:

• Proaktiv Maßnahmen ergreifen (z. B. vorübergehende Schließungen von Erntegebieten), bevor Toxine die gesetzlichen Grenzwerte überschreiten.
• Wirtschaftliche Verluste minimieren, indem sie Fehleinschätzungen reduzieren und gezieltere Überwachungsstrategien entwickeln.
• Die Akzeptanz von KI-Entscheidungen erhöhen, da die zugrundeliegenden Mechanismen (z. B. der Einfluss von D. fortii und Salinität) biologisch plausibel und nachvollziehbar sind.

Zukünftige Arbeiten sollten darauf abzielen, die Trainingsdatensätze durch mehr positive Toxizitätsfälle zu erweitern und die zeitliche Auflösung der Daten durch verbesserte Monitoring-Methoden zu erhöhen, um die Robustheit der Modelle weiter zu steigern.