Dados do Trabalho

Título

Acurácia de uma rede de aprendizagem profunda (AlexNet) para identificação de imagens de Aedes spp., Sabethes albiprivus e Haemagogus leucocelaenus

Introdução

A identificação de mosquitos requer especialistas e é dificultada pela alta variabilidade morfológica da família Culicidae. O desenvolvimento de um método automatizado de identificação de espécies de mosquitos vetores seria um recurso valioso para os profissionais da saúde. Resultados promissores foram obtidos para algumas espécies como Aedes albopictus, A. aegypti e Culex quinquefasciatus, mas há necessidade de ampliar o estudo para outras espécies de interesse em saúde, incluindo os vetores da Febre Amarela.

Objetivo (s)

Analisar a acurácia de uma rede de aprendizagem profunda (AlexNet) para identificar mosquitos dos gêneros Aedes, Haemagogus e Sabethes considerando imagens de diferentes regiões do corpo.

Material e Métodos

Fotografamos quatro espécies de culicídeos: Aedes scapularis, Aedes serratus, Sabethes albiprivus e Haemagogus leucocelaenus. Obtivemos as imagens do corpo, pronoto e vista lateral do tórax utilizando um celular (Samsung Galaxy S8) e um estereoscópio (ZEISS Stemi 508). Analisamos 565 imagens de corpo total, 294 da lateral do tórax e 484 do pronoto (total n=1343). Utilizamos 80% das imagens para treinamento da AlexNet, 10% para validação interna e 10% para teste, usando. Fizemos quatro simulações – todas as imagens (1); Corpo total (2); pronoto (3) e lateral do tórax (4), com dez pseudorréplicas para cada simulação. Calculamos a média da acurácia e intervalo de confiança 95% (IC) para cada simulação.

Resultados e Conclusão

A acurácia da simulação 1 foi de 94% (IC: 97–90); para a simulação 2 a acurácia foi de 92% (IC: 97–83); para simulação 3 a acurácia foi de 95% (IC: 98–79). A simulação 4 apresentou uma acurácia de 94% (IC: 98–83). Os resultados não mostraram diferença no desempenho do algoritmo para identificação de mosquitos a partir de áreas isoladas do corpo. Em todas as simulações ocorreu confusão entre A. serratus e A. scapularis, espécies muito similares. Os menores intervalos de confiança foram observados para a simulação 1 (todas as imagens). A acurácia do algoritmo AlexNet (~94%) para identificação de imagens de mosquitos silvestres (Aedes spp, Haemagogus e Sabethes), foi maior do que a obtida para mosquitos urbanos em estudos anteriores (A. aegypti, A. albopictus e C. quinquefaciatus, ~51%) indicando que a identificação automática com AlexNet é promissora para os vetores da Febre Amarela.

Palavras-chave

Deep Learning, Aprendizagem de máquina, Culicidae

Agradecimentos

CNPq e CAPES