通过自动图像分类来增强社区驱动的载体监测:从人工智能蚊子预警 (AIMA) 系统中吸取教训

科学领域:

• 环境科学和昆虫学
• 公共卫生和流行病学.
• 计算机科学和人工智能 人工智能

背景情况:

• 社区驱动的监测对于监测蚊子种群,特别是入侵物种至关重要.
• 手动识别蚊子物种是耗时的,需要专门的专业知识.
• 移动应用程序为公民科学数据收集提供了一个可扩展的平台.

研究的目的:

• 评估人工智能蚊子警报 (AIMA) 系统在从公民科学数据中分类蚊子物种的性能.
• 评估模型更新对AIMA在两个运营期间 (2023-2024) 的准确性和效率的影响.
• 确定该系统作为公共卫生干预的早期预警系统 (EWS) 的实用性.

主要方法:

• 在蚊子警报平台内开发和集成机器学习图像分类管道.
• 通过移动应用程序提交的地理位置的蚊子图像的自动分类.
• 实时分类提交,标记关键报告进行专家审查,并向贡献者提供即时反.
• 对不同蚊子物种和运行期间的模型性能进行比较分析.

主要成果:

• 艾玛证明了可靠的Aedes albopictus和Culex sp.的分类. 在这两种型号版本中.
• 艾滋病病毒仍然难以准确识别,表明需要进一步改进模型的领域.
• 该系统显著减少了专家在日常蚊子识别所需的时间.
• 创建了入侵物种的实时分布图,为公共卫生当局提供可操作的数据.

结论:

• 通过自动化物种识别,AIMA系统增强了蚊子监测,使得公共卫生工作具有可扩展性和响应性.
• 像蚊子警报这样的人工智能驱动的公民科学平台对于早期检测和管理蚊子传播疾病至关重要.
• 持续的模型开发是必要的,以提高对挑战性物种的识别准确性,如埃及甲虫.