植物食者,吸血者还是捕食者? 使用卷积神经网络算法自动识别查加斯病载体和类似的错误
Vinícius Lima de Miranda1, Rodrigo Gurgel-Gonçalves1
1Laboratório de Parasitologia Médica e Biologia de Vetores, Faculdade de Medicina, Universidade de Brasília, DF, Brasil.
Acta tropica
|April 27, 2025
概括
深度学习模型准确地识别吸血虫,查加斯病的关键载体. 卷积神经网络 (CNN) 显示出高性能,有助于疾病监测和控制工作.
科学领域:
- 昆虫学 昆虫学是一门学科.
- 计算机科学 计算机科学
- 公共卫生 公共卫生
背景情况:
- 精确识别吸血虫,特别是三原子虫,对于控制查加斯病传播至关重要.
- 非专家在昆虫识别方面面临挑战,阻碍了有效的载体控制策略.
- 深度学习为自动和准确的昆虫识别提供了一个有希望的途径.
研究的目的:
- 评估三种深度学习模型 (AlexNet,MobileNetV2,ResNet-50) 的性能,以根据养习惯对昆虫进行分类.
- 评估模型区分吸血虫,特别是Triatominae,和其他昆虫类型的能力.
- 探索这些模型的潜力,以开发用于查加斯病载体监测的工具.
主要方法:
- 使用了707张背部视图昆虫图像的数据集.
- 图像被分为培训 (70%),验证 (10%) 和测试 (20%) 的子集.
- 使用转移学习来训练AlexNet,MobileNetV2和ResNet-50模型,并使用Grad-CAM进行可视化.
主要成果:
- 所有评估的卷积神经网络 (CNN) 在错误识别中都取得了超过94%的准确性.
- 在灵敏度和特异性方面,ResNet-50显示出略高的性能.
- 接收器操作特征 (ROC) 和曲线下的面积 (AUC) 分析证实了CNN模型的可靠性.
结论:
- 深度学习模型,特别是ResNet-50,对于自动识别错误非常有效,包括Triatominae.
- 这些发现支持开发可访问的媒介识别工具,加强查加斯病监测.
- CNNs显示了改善公共卫生策略对抗载体传播疾病的巨大潜力.
