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

Cette étude applique des techniques d'apprentissage automatique interprétables à un jeu de données de 28 ans dans le golfe de Trieste pour prédire la toxicité des moules liée aux efflorescences algales nuisibles, identifiant l'algorithme Random Forest comme le plus performant et mettant en évidence l'importance des espèces *Dinophysis* et de facteurs environnementaux tels que la salinité et les précipitations pour améliorer les systèmes d'alerte précoce.

L'essentiel

Voici une explication simple et imagée de cette étude scientifique, conçue pour être comprise par tout le monde.

🌊 Le Problème : La "Météo" des Moules empoisonnées

Imaginez que vous êtes un producteur de moules dans la mer Adriatique (près de la Slovénie). Votre gagne-pain dépend de la qualité de l'eau. Mais il y a un ennemi invisible : les efflorescences algales nuisibles (des blooms d'algues toxiques).

Quand ces algues prolifèrent, elles empoisonnent les moules. Si vous vendez ces moules, les gens peuvent tomber malades (diarrhées, vomissements). Pour l'instant, la méthode de sécurité est un peu comme attendre qu'une voiture ait un accident pour savoir qu'il y a du verglas : on teste les moules après qu'elles ont été récoltées. Si elles sont toxiques, on ferme la pêche, ce qui coûte cher aux producteurs et crée de l'incertitude.

L'objectif de l'étude : Créer un "prévisionniste météo" intelligent qui pourrait dire : "Attention, dans 3 jours, il y a un risque que vos moules soient toxiques", avant même qu'elles ne soient touchées.

---

🤖 La Solution : Des Détectives Numériques (Machine Learning)

Les chercheurs ont pris des données collectées pendant 28 ans (de 1994 à 2021). C'est comme avoir un journal intime très détaillé de la mer, contenant :

• La quantité d'algues toxiques dans l'eau.
• La température de l'eau et la salinité (le taux de sel).
• La météo (pluie, vent, soleil).
• Le débit de la rivière Soča qui se jette dans la mer.
• Les résultats des tests de toxicité sur les moules.

Ils ont nourri ces données à des algorithmes d'intelligence artificielle (des programmes informatiques capables d'apprendre des modèles). C'est comme donner à un détective 28 ans de dossiers de crimes pour qu'il apprenne à prédire le prochain.

Ils ont testé plusieurs types de "détectives" :

1. L'arbre de décision (DT) : Un guide simple qui pose des questions oui/non (ex: "Y a-t-il beaucoup d'algues ?" -> "Oui" -> "Alerte !").
2. La forêt aléatoire (RF) : Une équipe de 300 détectives qui votent ensemble pour une décision. C'est le plus fort.
3. Les réseaux de neurones (ANN) : Une imitation du cerveau humain, très complexe mais parfois difficile à comprendre.

Le résultat ? La Forêt Aléatoire (RF) a été la meilleure. Elle a réussi à prédire les cas de toxicité avec une bonne précision, bien mieux que les autres méthodes.

---

🔍 Le Secret : Pourquoi l'IA est-elle "Explicable" ?

Habituellement, l'intelligence artificielle est une "boîte noire" : on lui donne des données, elle sort une réponse, mais on ne sait pas pourquoi. Dans la sécurité alimentaire, c'est dangereux. Les autorités ont besoin de savoir pourquoi l'IA a sonné l'alarme.

C'est là que l'étude brille grâce à l'IA Explicable (XAI). Les chercheurs ont ouvert la boîte noire pour voir comment l'IA pensait.

Les analogies des "Suspects" principaux :
L'IA a identifié les coupables principaux de l'empoisonnement :

1. Les Algues "Méchantes" : Deux espèces spécifiques, Dinophysis fortii et Dinophysis caudata, sont les principales responsables. Si leur nombre augmente, le risque explose.
2. L'Eau Douce (La Rivière) : Quand la rivière Soča déverse beaucoup d'eau douce, la salinité de la mer baisse. C'est comme si l'algue préférait un bain moins salé pour se développer.
3. La Pluie et le Débit : Les fortes pluies et les crues de la rivière créent les conditions idéales pour que ces algues se multiplient.

L'analogie du "Thermomètre" :
Imaginez que l'IA est un thermomètre très sophistiqué. Au lieu de juste dire "Il fait chaud", elle dit : "Il fait chaud (température), il y a beaucoup de vent (débit de la rivière) et des moustiques (algues) qui commencent à sortir. Donc, il y a 80% de chance qu'il y ait une épidémie."

---

🛠️ Comment ça marche en pratique ?

Les chercheurs ont utilisé une technique appelée SHAP (une sorte de loupe magique) pour voir quelle information pesait le plus lourd dans la balance de l'IA.

• Exemple concret : Si l'IA prédit une toxicité, c'est souvent parce qu'elle voit une forte concentration de Dinophysis fortii (l'algue coupable) combinée à une eau peu salée (à cause de la pluie).
• Le message pour les pêcheurs : "Si vous voyez beaucoup de ces algues et que la rivière a beaucoup crû, fermez la pêche par précaution, même avant d'avoir le résultat du laboratoire."

🏁 Conclusion : Pourquoi c'est important ?

Cette étude ne se contente pas de dire "l'IA marche". Elle dit "l'IA marche ET on sait pourquoi".

1. Sécurité : On peut protéger les consommateurs en fermant les zones de pêche avant que les moules ne soient dangereuses.
2. Économie : Les producteurs évitent de récolter des moules qui seraient jetées à la poubelle plus tard.
3. Confiance : Comme on comprend les règles de l'IA (c'est l'algue + la pluie), les autorités font plus confiance à l'outil et peuvent agir rapidement.

En résumé, les chercheurs ont transformé 28 ans de données marines en un système d'alerte précoce intelligent, capable de prédire les tempêtes toxiques avant qu'elles n'arrivent, tout en expliquant clairement à qui que ce soit pourquoi l'alarme a sonné. C'est une victoire pour la sécurité alimentaire et la durabilité de l'aquaculture ! 🦪🌧️🔍

Résumé technique

Voici un résumé technique détaillé de l'article de recherche en français, structuré selon les sections demandées.

Titre : Machine learning explicable pour la prédiction de la toxicité des coquillages dans la mer Adriatique à l'aide de données de surveillance à long terme des efflorescences algales nuisibles (HABs)

1. Problématique

L'aquaculture des coquillages, en particulier des moules (Mytilus galloprovincialis), est une activité économique cruciale mais vulnérable aux efflorescences algales nuisibles (HABs). Dans le golfe de Trieste (mer Adriatique), le principal risque sanitaire est l'intoxication par les coquillages diarrhéiques (DSP), causée par des dinoflagellés toxiques (notamment du genre Dinophysis).
Les défis majeurs identifiés sont :

• L'incertitude temporelle : Les schémas de toxicité sont perturbés par la variabilité climatique et les événements météorologiques extrêmes.
• Les limites des systèmes actuels : Les systèmes de surveillance actuels ne permettent de suspendre la vente qu'après confirmation de la toxicité, entraînant des périodes d'incertitude économique et des risques sanitaires potentiels.
• Le manque de modèles prédictifs : Bien que des modèles existent pour prédire la présence d'espèces, peu tentent de prédire directement la toxicité des coquillages, tâche complexe en raison de la cinétique d'accumulation des toxines.
• La boîte noire : Les modèles d'apprentissage automatique (ML) complexes manquent souvent d'explicabilité, ce qui réduit la confiance des autorités et des acteurs de l'aquaculture dans leur utilisation pour des systèmes d'alerte précoce (EWS).

2. Méthodologie

L'étude propose une approche intégrant le traitement de données, l'apprentissage automatique et l'intelligence artificielle explicable (XAI).

• Données : Un nouveau jeu de données de 28 ans (1994-2021) a été compilé, comprenant :
  • Abondance du phytoplancton toxique (5 espèces principales de Dinophysis et Phalacroma).
  • Concentrations de toxines DSP dans les moules (mesurées par bioessai souris jusqu'en 2014, puis par LC-MS/MS).
  • Paramètres physico-chimiques (température, salinité) et météorologiques/hydrologiques (débit de la rivière Soča, précipitations, température de l'air).
• Prétraitement des données :
  • Harmonisation des méthodes de détection (conversion des résultats chimiques en binaire pour correspondre aux bioessais).
  • Gestion des valeurs manquantes par interpolation et agrégation temporelle (fenêtres de 20 à 30 jours).
  • Rééquilibrage des classes : Le jeu de données était fortement déséquilibré (88% de cas négatifs, 12% de positifs). Les auteurs ont utilisé la technique SMOTE (Sur-échantillonnage synthétique) pour la classe minoritaire et l'échantillonnage sous-échantillonné (Undersampling) pour la classe majoritaire, tout en supprimant les instances "conflictuelles" proches des frontières de décision via la méthode Edited Nearest Neighbors.
• Modélisation ML : Quatre algorithmes ont été entraînés et optimisés par recherche de grille (Grid Search) avec validation croisée :
  • Arbre de décision (DT)
  • Forêt aléatoire (RF)
  • Machines à vecteurs de support (SVM)
  • Réseau de neurones artificiels (ANN/MLP)
  • La métrique d'optimisation principale était le score F1 pour équilibrer la précision et le rappel.
• Explicabilité (XAI) : Pour interpréter les modèles (notamment la Forêt Aléatoire), les auteurs ont utilisé :
  • L'importance par permutation (Permutation Importance).
  • Les valeurs SHAP (Shapley Additive Explanations) pour visualiser la contribution de chaque variable à la prédiction.

3. Résultats Clés

• Performance des modèles :
  • La Forêt Aléatoire (RF) a démontré les meilleures performances avec un score F1 moyen de 0,65, une précision de 0,74 et un rappel de 0,59 (sur 100 itérations).
  • Les modèles DT et ANN ont obtenu des performances similaires mais inférieures (F1 ≈ 0,43).
  • Le RF s'est avéré robuste face au bruit et aux interactions non linéaires complexes.
• Facteurs prédictifs (Explicabilité) :
  • Les méthodes d'explication (SHAP et importance par permutation) ont identifié les mêmes variables clés :
    1. Espèces biologiques : Dinophysis fortii est le prédicteur le plus influent, suivi de Dinophysis caudata et de l'abondance totale des espèces productrices de DSP (DSP-tot).
    2. Facteurs environnementaux : Le débit de la rivière Soča, la salinité et les précipitations sont des facteurs déterminants.
  • Interprétation des mécanismes : Une forte abondance de D. fortii augmente la probabilité de toxicité positive. À l'inverse, une salinité élevée et un faible débit fluvial réduisent cette probabilité. L'arbre de décision (DT) a permis d'extraire des règles simples, par exemple : si D. fortii > 30 cellules/L, prédiction positive ; sinon, la présence de D. caudata et une salinité ≤ 36,17 deviennent déterminantes.
• Validation temporelle : Les pics de toxicité prédits correspondent aux périodes réelles d'efflorescence (septembre-octobre pour D. fortii, mai-juillet pour D. caudata).

4. Contributions Principales

• Création d'un jeu de données unique : Compilation et mise à disposition publique d'un jeu de données de 28 ans couplant phytoplancton, toxines et paramètres environnementaux dans le golfe de Trieste.
• Application de l'IA Explicable (XAI) : Démontre comment les techniques XAI (SHAP, DT) peuvent transformer des modèles "boîte noire" en outils de prise de décision transparents pour les gestionnaires de l'aquaculture.
• Prédiction directe de la toxicité : Contrairement à la plupart des études qui prédisent la présence d'algues, ce modèle prédit directement le dépassement des seuils de toxicité réglementaires dans les moules.
• Stratégie de prétraitement robuste : Démonstration de l'importance cruciale du rééquilibrage des classes et du nettoyage des données conflictuelles pour les petits jeux de données écologiques.

5. Signification et Perspectives

• Systèmes d'Alerte Précoce (EWS) : Ce travail fournit une base pour développer des systèmes d'alerte plus réactifs, permettant aux autorités de suspendre les récoltes de manière proactive avant la confirmation de la toxicité, réduisant ainsi les pertes économiques et les risques sanitaires.
• Confiance et Adoption : En rendant les modèles explicables, l'étude favorise l'adoption de ces outils par les autorités réglementaires et les aquaculteurs, qui peuvent comprendre les "pourquoi" derrière les prédictions.
• Limites et Futur : La généralisation du modèle reste limitée par la taille de l'échantillon de test et la spécificité du site. Les auteurs suggèrent d'améliorer la résolution temporelle des données, d'intégrer davantage de cas de forte toxicité et d'étendre les modèles à d'autres régions de la mer Adriatique pour améliorer la robustesse.

En conclusion, cette étude valide l'efficacité des approches ML explicable pour la gestion des risques liés aux HABs, offrant un compromis optimal entre précision prédictive et interprétabilité écologique.