基于深度学习的Anopheles stephensi成年蚊子的分类与数据不平衡的增强解决方案

科学领域:

• 昆虫学 昆虫学是一门学科.
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 蚊子监测对于控制疟疾等媒介性疾病至关重要.
• 现有的人工智能研究通常使用平衡的数据集,这些数据集不能代表现实世界的场景.
• 阿诺菲莱斯斯蒂芬西是一种入侵性蚊子物种,是亚洲和非洲疟疾的关键载体.

研究的目的:

• 使用公民科学数据开发和评估用于检测Anopheles stephensi的AI模型.
• 为应对蚊子图像数据集中阶级不平衡的挑战.
• 确定在各种自然环境中识别Anopheles stephensi的最有效的AI技术.

主要方法:

• 利用了1195个Anopheles stephensi图像和6021个非Anopheles stephensi图像的数据集,这些图像是由智能手机捕获的.
• 实验各种最先进的AI模型和技术来处理阶级不平衡.
• 采用焦点损失并评估数据减样对模型性能的影响.
• 使用Grad-CAM可视化模型特征学习.

主要成果:

• 该EfficientNet-B1架构在检测Anopheles stephensi.si.中表现出卓越的性能.
• 减少多数阶级的样本导致分类准确度明显差.
• 使用原始的,非下调样本数据集与焦点损失相结合,获得了最佳的分类结果.
• 格拉德-CAM可视化证实,人工智能模型学习了物种识别相关的解剖特征.

结论:

• 人工智能与公民科学的整合对于蚊子监测是有效的,特别是对于像Anopheles stephensi这样具有挑战性的物种.
• 焦点损失和使用原始不平衡的数据集优于用于检测Anopheles stephensi.
• 该研究强调了人工智能在通过增强的蚊子检测来改善疟疾载体控制策略方面的潜力.