Inteligencia Artificial
El aprendizaje profundo es un enfoque poderoso para distinguir clases de imágenes, y existe un interés creciente en aplicar estos métodos para delimitar especies, particularmente en la identificación de mosquitos.
La identificación visual de las especies de mosquitos es la base de la vigilancia y el manejo de las enfermedades transmitidas por mosquitos, pero puede verse obstaculizada por una variación morfológica críptica en los complejos de especies de mosquitos vectores, como el complejo Anopheles gambiae transmisor de malaria.
Clasificación de imágenes con aprendizaje profundo
Un grupo de científicos de Austria aplicaron redes neuronales convolucionales (CNN) a imágenes de mosquitos como prueba de concepto para determinar la viabilidad de la clasificación automática del sexo, género, especie y cepa de mosquitos utilizando imágenes 2D de cuerpo completo de estos insectos.
La inteligencia artificial analizó una biblioteca de 1, 709 imágenes de mosquitos adultos recolectadas de 16 colonias de especies y cepas de mosquitos vectores que se originan en cinco regiones geográficas, con 4 especies crípticas que no son fácilmente distinguibles morfológicamente incluso por entomólogos médicos capacitados.
En el artículo publicado en PLoS Neglected Tropical Diseases presentaron una metodología para procesamiento de imágenes, aumento de datos y entrenamiento y validación de una CNN.
La mejor configuración de redes neuronales convolucionales logró altas precisiones de predicción del 96,96% para la identificación de especies y del 98,48% para el sexo.
Los resultados demuestran que las redes neuronales convolucionales pueden delimitar especies con variación morfológica críptica, 2 cepas de una sola especie y muestras de una sola colonia almacenadas mediante dos métodos diferentes.
También presentaron visualizaciones del espacio de características de redes neuronales convolucionales y predicciones para la interpretación de nuestros resultados.
Estos resultados demuestran que la clasificación de imágenes con aprendizaje profundo puede ser un método útil para la identificación del mosquito de la malaria, incluso entre especies con variación morfológica críptica.
