Российская нейросеть ускоряет анализ древних водорослей до миллисекунд

Российские ученые из Института географии РАН и Центра технологий Yandex Cloud внедрили ИИ-систему, способную мгновенно идентифицировать виды диатомовых водорослей по микроскопическим снимкам, затрачивая на это менее 200 миллисекунд. Этот сервис уже доступен исследователям и может значительно сократить время на изучение донных отложений.

Использование нового инструмента позволит уменьшить время анализа отложений с нескольких лет до нескольких месяцев, если будет подтверждена его точность.

Диатомеи, одноклеточные водоросли с кремниевым панцирем, являются важными индикаторами климатических изменений. После их гибели панцири оседают на дно водоемов, где могут храниться тысячелетиями. Анализируя виды, обнаруженные на разных глубинах, ученые могут восстановить климатическую историю региона. Традиционный метод, основанный на ручной работе, требует много времени, так как специалистам приходится изучать сотни створок на каждом образце.

Существующие алгоритмы, такие как DiatomNet, не справлялись с задачей, показывая лишь 30% точности. Поэтому ученые решили создать собственную модель, используя два набора данных: один из базы Kaggle с 2,2 тыс. изображений 51 вида, а другой — закрытый, собранный с помощью Российского научного фонда.

Нейросеть, обученная на этих данных, способна распознавать водоросли на изображениях, загружаемых исследователями. На тестах модель YOLOv11 показала 75% точности, DiatomNet — 70%. Эти результаты предварительные и будут уточнены по мере увеличения базы данных.

Модель лучше всего работает с крупными и развернутыми створками, но испытывает трудности с повернутыми или размытыми изображениями, пропуская их в 10–20% случаев. Однако, если вид водоросли неизвестен, система предлагает варианты из знакомых.

Анна Рудинская из ИГ РАН отмечает, что нейросеть пока выбирает самые заметные элементы на снимках, упуская слегка смещенные диатомеи. Тем не менее, она уже значительно ускоряет процесс анализа, и модель можно дообучать, указывая ей на пропущенные створки.

В будущем планируется проверка точности нейросети на целом микропрепарате с участием нескольких специалистов для сравнения их выводов с результатами ИИ. Этот подход позволит оценить надежность сервиса и его пригодность для научных публикаций. Команда также продолжит расширять набор данных и применять аугментацию, чтобы улучшить распознавание створок.