基于建筑面图像分析的Aedes aegypti感染高风险城市地区的自动绘制
Camila Laranjeira1, Matheus Pereira1, Raul Oliveira2
1Department of Computer Science, Universidade Federal de Minas Gerais, Belo Horizonte, Brazil.
PLoS neglected tropical diseases
|June 3, 2024
概括
一个新的AI模型PCINet,使用立面图像预测建筑条件,以识别蚊子传播疾病 (如登革热,寨卡病毒和 chikungunya) 的高风险区域,改进监测和控制工作.
科学领域:
- 控制载体传播疾病 控制载体传播疾病
- 人工智能在公共卫生中的作用
- 城市昆虫学 城市昆虫学
背景情况:
- 由Aedes aegypti蚊子传播的登革热,寨卡和 chikungunya病毒对全球健康构成重大威胁.
- 目前的蚊子监测和控制方法往往不足,需要改进策略.
- 传统的场所状况指数 (PCI) 评估需要进行广泛的建筑对建筑的检查.
研究的目的:
- 开发和评估PCINet,一种使用街道层面立面图像预测场所状况指数 (PCI) 的新方法.
- 创建一个可扩展的,自动化系统,用于识别树冠病毒传播的高风险区域.
- 通过减少手动检查的需要,优化蚊子监测和控制.
主要方法:
- 一个深度神经网络 (PCINet) 通过使用巴西坎皮纳斯建筑物的外墙图像进行训练.
- 该模型预测了建筑物和后院的条件,以及基于立面图像的阴影.
- 在四个地区模拟的大规模部署场景中评估了PCINet的性能.
主要成果:
- PCINet精确地将立面状况分为三个层次,证明了大面积分类的可扩展性.
- 立面条件与建筑物和后院条件有很强的相关性,与遮阳条件有适度的相关性.
- 自动化过程,从数据收集到PCINet推断,证明了对风险区域识别的有效性.
结论:
- 使用街道级图像和PCINet提供了一种有希望的,自动化的方法来优化Aedes aegypti的监视.
- 这种方法可以显著减少风险评估所需的面对面访问的数量.
- PCINet有助于有效识别蚊子传播疾病风险较高的建筑物,街区和社区.
