通过自我监督的视觉转换器来提高蚊子载体物种的时尚分类
Veerayuth Kittichai1, Morakot Kaewthamasorn2, Tanawat Chaiphongpachara3
1Faculty of Medicine, King Mongkut's Institute of Technology Ladkrabang, Bangkok, Thailand.
Scientific reports
|December 29, 2024
概括
这项研究引入了一种使用DINOv2的AI模型,用于在泰国自动识别蚊子物种,从而提高疾病载体控制的准确性. 人工智能模型显著提高了精度和回忆力,帮助现场专业人员识别蚊子,如疟疾载体.
科学领域:
- 昆虫学和公共卫生
- 生物科学中的人工智能
背景情况:
- 媒介性疾病是全球卫生危机,蚊子是主要的媒介.
- 传统的蚊子物种识别是耗时的,劳动密集的,需要专家知识.
- 准确的鉴定对于有效的疾病控制策略至关重要.
研究的目的:
- 利用人工智能开发一种自动化的蚊子物种分类系统.
- 评估自主监督视觉变压器模型 (DINOv2) 在泰国手机捕获的蚊子图像上的性能.
- 评估模型在识别16种不同的蚊子物种,包括主要病媒的有效性.
主要方法:
- 在泰国16种雌性蚊子的数据集上使用DINOv2进行自我监督的学习方法.
- 用手机拍摄的图像用于模型开发和测试.
- 研究了图像裁剪技术对模型性能的影响.
主要成果:
- 在所有物种中,DINOv2模型在精度和回忆方面显著超过了基线视觉变压器 (ViT).
- 在至少10个蚊子物种中,DINOv2的准确度超过了90%,并对蚊子进行了回忆.
- 图像裁剪显著改善了DINOv2的性能,提醒率提高到87.86%,精度提高到91.71%,准确率提高到98.45%.
结论:
- DINOv2模型在分类蚊子物种方面表现出很高的准确性,包括区分疟疾载体和其他属.
- 截图图像增强了模型识别关键载体的能力,如Anopheles minimus.
- 这种人工智能驱动的方法可以支持现场专业人员通过移动应用程序进行疾病载体监测和控制.
