🌿 ecology

COLLEMBOT: AI-Based Counting of Collembola for OECD 232 Tests

Het artikel introduceert COLLEMBOT, een op AI gebaseerde geautomatiseerde teltool die gebruikmaakt van YOLOv11, die de tijd en arbeid die nodig zijn voor OECD 232 bodemtoxiciteitstesten aanzienlijk vermindert terwijl de hoge nauwkeurigheid en de regelgevende betrouwbaarheid vergeleken met handmatig tellen behouden blijven.

Oorspronkelijke auteurs: Wehrli, M., Meyer, A. F., Souza da Silva, E., van Loon, S., van Hall, B. G., van Gestel, C. A. M., Natal-da-Luz, T., Doering, M. V. R., Feldhaar, H., Mair, M., Jordan, D., Langer, M.

Gepubliceerd 2026-01-20

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Wehrli, M., Meyer, A. F., Souza da Silva, E., van Loon, S., van Hall, B. G., van Gestel, C. A. M., Natal-da-Luz, T., Doering, M. V. R., Feldhaar, H., Mair, M., Jordan, D., Langer, M.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je een wetenschapper bent die probeert te controleren of een nieuwe chemische stof veilig is voor de bodem. Hiervoor moet je duizenden minuscule, veerkrachtige beestjes tellen die Collembola worden genoemd (specifiek Folsomia candida). Deze beestjes zijn als de "kanaries in de kolenmijn" voor de bodemgezondheid; als ze een chemische test overleven, is de bodem waarschijnlijk veilig voor ander leven.

Decennialang hebben wetenschappers dit tellen met de hand moeten doen. Het is alsof je elk afzonderlijk zandkorreltje op een strand probeert te tellen terwijl je dikke handschoenen draagt. Het duurt eeuwen, het is uitputtend, en omdat mensen moe worden, maken ze soms fouten of tellen ze anders dan de persoon naast hen. Dit trage, foutgevoelige proces betekent dat we niet genoeg gegevens hebben om goede beslissingen te nemen over de veiligheid van chemicaliën.

Maak kennis met COLLEMBOT.

Beschouw COLLEMBOT als een superkrachtige, onvermoeibare digitale assistent die fungeert als een hooggetraind adelaarsoog. In plaats van een mens die naar een petrischaal staat te turen, gebruikt dit hulpmiddel een speciaal type kunstmatige intelligentie (een YOLOv11 neuraal netwerk) om de beestjes in foto's te "zien".

Zo werkt het in eenvoudige termen:

De Training: De AI heeft niet gewoon gegokt. De AI werd onderwezen door te kijken naar meer dan 3.200 hoogwaardige foto's van deze beestjes, genomen in vijf verschillende landen (van Nederland tot Denemarken). De AI leerde de beestjes te herkennen, ongeacht of ze in standaard bodemmengsels of in verschillende soorten aarde zaten.
Het Bewijs: De wetenschappers hebben deze digitale assistent getest tegen echte mensen. De resultaten waren alsof twee identieke tweelingen met elkaar werden vergeleken: de tellingen van de AI kwamen bijna perfect overeen met de menselijke tellingen (met een overeenkomstscore tussen de 88% en 99%). Wanneer ze de cijfers van de AI gebruikten om te berekenen of een chemische stof schadelijk was, waren de resultaten bijna identiek aan de menselijke berekeningen.
De Snelheidsboost: Hier gebeurt de magie echt. Stel je een taak voor die een menselijk team ongeveer 137 uur kost (dat is bijna twee volledige weken onafgebroken werk) om te voltooien. COLLEMBOT kan precies dezelfde taak doen in minder dan 3 uur. Dat is een tijdsbesparing van 97%. Het is het verschil tussen een land oversteken te voet en een hogesnelheidstrein nemen.

De Kern van het Verhaal
COLLEMBOT verandert de regels van het spel niet; het speelt het spel alleen veel sneller en consistenter. Door het tellen te automatiseren, wordt menselijke vermoeidheid en bias geëlimineerd, waardoor wetenschappers veel meer gegevens kunnen genereren over de veiligheid van de bodem. De makers hebben zelfs het "recept" (de code) openbaar gemaakt, zodat iedereen het kan gebruiken om onze ecosystemen te helpen beschermen.

Noot: Dit hulpmiddel is specifiek ontworpen voor het tellen van deze specifieke bodembeestjes in tests voor chemische veiligheid. Het artikel beweert niet dat het gebruikt kan worden voor medische diagnoses, het tellen van andere soorten dieren, of het voorspellen van toekomstige klimaatscenario's.

Technische Samenvatting: COLLEMBOT – AI-gebaseerde telling van Collembola voor OECD 232-testen

Probleemstelling
De beoordeling van chemische risico's in terrestrische ecosystemen leunt zwaar op ecotoxicologische testen met bodemorganismen, specifiek de springstaart Folsomia candida onder de richtlijnen van de Organisatie voor Economische Samenwerking en Ontwikkeling (OECD) 232 voor reproductietesten. Momenteel zijn deze protocollen afhankelijk van het handmatig tellen van juveniele en volwassen Collembola. Deze traditionele aanpak vormt een significante flessenhals: het is kostbaar, arbeidsintensief en tijdrovend. Bovendien is handmatig tellen gevoelig voor operatorbias, wat de beschikbaarheid van gegevens beperkt en de robuustheid van risicobeoordelingen belemmert.

Methodologie
Om deze beperkingen aan te pakken, hebben de auteurs COLLEMBOT ontwikkeld, een geautomatiseerde tellingstool die naadloos kan worden geïntegreerd in bestaande OECD-workflows zonder dat aanpassingen aan het standaardprotocol nodig zijn. De kern van het systeem is een YOLOv11 convolutioneel neuraal netwerk.

Trainingsdata: Het model werd getraind op een dataset van 3.207 hoogresolutiebeelden.
Validatie: Het systeem werd rigoureus gevalideerd met behulp van 22 onafhankelijke datasets bestaande uit 1.704 afbeeldingen. Deze datasets werden afkomstig uit vijf verschillende laboratoria in Europa: Amsterdam (Nederland), Basel (Zwitserland), Bayreuth (Duitsland), Coimbra (Portugal) en Aarhus (Denemarken).
Experimentele Condities: De validatie omvatte relevante standaardbodems, inclus $ief$ OECD-kunstmatige bodems met variërende concentraties sphagnum-veen (2,5%, 5% en 10%) en LUFA 2.2-bodem, met de focus op de detectie van Folsomia candida.

Belangrijkste Resultaten
De prestaties van COLLEMBOT werden geëvalueerd tegenover handmatige tellingen over verschillende metrieken:

Tellingsnauwkeurigheid: Geautomatiseerde tellingen vertoonden een sterke overeenstemming met handmatige tellingen, waarbij coefficient van determinatie ( $R^2$ ) waarden werden bereikt variërend van 0,88 tot 0,99.
Toxicologische Relevantie: Dosis-respons-curven afgeleid van geautomatiseerde tellingen overlapten sterk met die van handmatige tellingen. Effectconcentraties (EC-waarden) vertoonden minimale afwijkingen, met een mediaan percentage verschil ( $\% \Delta$ ) van 6,2 ± 23. De correlatie voor EC10 tot EC90-waarden leverde een $R^2 \geq 0,977$ op. Deze resultaten geven aan dat de geautomatiseerde methode binnen aanvaardbare grenzen blijft voor de wettelijke risicobeoordeling.
Efficiëntiewinst: De meest significante operationele verbetering was de verwerkingstijd. Een test met ongeveer 300 afbeeldingen en tot 1.500 individuen per afbeelding werd verwerkt in minder dan 3 uur. In contrast hiermee vereiste handmatig tellen voor hetzelfde volume ongeveer 137 uur, wat een reductie van 97% in arbeidstijd vertegenwoordigt.

Betekenis en Claims
Het artikel positioneert COLLEMBOT als een cruciale tool voor het moderniseren van ecotoxicologische testen. Door de arbeidseisen aanzienlijk te verminderen en de reproduceerbaarheid te verbeteren, maakt het systeem de generatie van bredere gevaarsgegevens voor Collembola mogelijk. De auteurs beweren dat deze vooruitgang direct bijdraagt aan robuustere, op wetenschap gebaseerde chemische risicobeoordelingen.

Om adoptie te vergemakkelijken en gemeenschapsgestuurde ontwikkeling te stimuleren, hebben de auteurs de code en workflow publiekelijk beschikbaar gesteld. De studie concludeert dat COLLEMBOT er succesvol in slaagt de beperkingen van handmatig tellen te overwinnen, terwijl de integriteit die vereist is voor wettelijke naleving behouden blijft.

Meer zoals dit