Identificación robusta de especies de mosquitos a partir de diversas imágenes del cuerpo y alas utilizando aprendizaje profundo

Resumen Las enfermedades transmitidas por mosquitos son una gran amenaza para la salud global. Los métodos tradicionales morfológicos o moleculares para identificar especies de mosquitos a menudo requieren experiencia especializada o equipos de laboratorio costosos. El uso de redes neuronales convolucionales (CNN) para identificar especies de mosquitos basándose en imágenes puede ofrecer una alternativa prometedora, pero su implementación práctica a menudo sigue siendo limitada. Este estudio explora la aplicabilidad de las CNN en la clasificación de especies de mosquitos. Compara la eficacia de las representaciones del cuerpo y alas a través de tres métodos de recolección de imágenes: un teléfono inteligente, un lente macro acoplado a un teléfono inteligente y un estereomicroscopio profesional. El estudio incluyó 796 especímenes de cuatro especies de Aedes morfológicamente similares, Aedes aegypti, Ae. albopictus, Ae. koreicus y Ae. japonicus japonicus. Los hallazgos de este estudio indican que los modelos de CNN demuestran un rendimiento superior en la clasificación basada en alas 87.6% (IC 95%: 84.2–91.0) en comparación con la clasificación basada en el cuerpo 78.9% (IC 95%: 77.7–80.0). Sin embargo, hay limitaciones notables de las CNN, ya que funcionan de manera confiable en múltiples dispositivos solo cuando se entrenan específicamente en esos dispositivos, lo que resulta en un promedio de disminución de la precisión media del 14%, incluso con una amplia ampliación de imágenes. Además, también estimamos el volumen de datos de entrenamiento requerido para una clasificación efectiva, destacando una necesidad reducida para la clasificación basada en alas en comparación con los métodos basados en el cuerpo. Nuestro estudio subraya la viabilidad de ambos métodos de clasificación del cuerpo y alas para la identificación de especies de mosquitos, enfatizando la necesidad de abordar las limitaciones prácticas en el desarrollo de sistemas de clasificación accesibles. Resumen gráfico