使用卷积神经网络自动识别斑点热载体
Isadora R C Gomes1,2, Vinícius L Miranda1,2, José Fabrício C Leal1,2
1Programa de Pós-graduação em Medicina Tropical, Núcleo de Medicina Tropical, Faculdade de Medicina, Universidade de Brasília, Brasília, Brazil.
Medical and veterinary entomology
|July 4, 2025
概括
使用卷积神经网络 (CNN) 的人工智能可以准确地识别在南美洲传播斑点热 (SF) 的物种. 这项技术有助于公共卫生监测和公民科学对控制的努力.
科学领域:
- 兽医昆虫学 兽医昆虫学
- 医学昆虫学 医学昆虫学
- 生物信息学是一种生物信息学.
背景情况:
- 是显著的外寄生虫和病原体的载体,影响人类和动物,构成一个健康挑战.
- 在南美洲,Rickettsia rickettsii和Rickettsia parkeri会引起由传播的斑点发烧 (SF),由Amblyomma物种传播.
- 机器学习,人工智能的子集,显示出在生物和医学研究中自动化图像识别任务的前景.
研究的目的:
- 评估卷积神经网络 (CNN) - - AlexNet,ResNet-50和MobileNetV2 - - 在识别传播SF生物剂的虫物种方面的有效性.
- 评估这些CNN模型在各种图像数据集中的性能,包括性别,位置和分辨率变化.
- 确定人工智能的潜力,以支持公共卫生监测和公民科学,以控制传播疾病.
主要方法:
- 一个图像数据库被策划,包括各种群体:雌性,雄性,背部/腹部视图,以及低/高分辨率.
- 该数据库包括关键的SF载体 (Amblyomma aureolatum,A. ovale,A. sculptum),潜在载体 (A. triste,A. dubitatum) 和一个形态上相似的非载体 (A. cajennense s.s.).
- 在CNN模型 (AlexNet,ResNet-50,MobileNetV2) 中,使用准确度,灵敏度和特异性指标进行训练和评估. 为了结果的解释性,使用了Grad-CAM.
主要成果:
- 在子识别方面,CNN的准确性约为90%.
- 灵敏度在59%至100%之间,根据物种,性别,位置和图像分辨率而有所不同.
- 当考虑所有图像类型来识别SF向量时,AlexNet和MobileNetV2表现出更高的灵敏度和特异性.
结论:
- 在南美洲,CNN显示了自动识别传播SF生物剂的虫物种的巨大潜力.
- 开发的图像数据库可以促进创建用于公共卫生的标识应用程序.
- 人工智能驱动的子识别可以加强疾病监测,并为子管理的公民科学倡议做出贡献.
