Un estudio realizado por investigadores del grupo de investigación Escena comprensión e inteligencia artificial (SUNAI), de la Facultad de Informática, Multimedia y Telecomunicaciones de la Universitat Oberta de Catalunya (UOC), ha desarrollado un método que permite aprender a identificar mosquitos utilizando un gran número de imágenes que los voluntarios tomaron usando teléfonos móviles y subieron a la plataforma Mosquito Alert.
Ciencia ciudadana para investigar y controlar los mosquitos transmisores de enfermedades
Además de ser molestos por sus picaduras, los mosquitos pueden ser portadores de patógenos. El aumento de las temperaturas en todo el mundo está facilitando su propagación. Este es el caso del mosquito tigre, Aedes albopictus, y otras especies en España y en el mundo. A medida que estas especies se propagan, se desarrolla la ciencia dedicada a combatir los problemas asociados con ellas. Así se puso en marcha Mosquito Alert, un proyecto de ciencia ciudadana coordinado por el Centro de Investigación en Ecología y Aplicaciones Forestales, el Centro de Estudios Avanzados de Blanes y la Universitat Pompeu Fabra al que han contribuido investigadores de la UOC.
Este proyecto reúne información recopilada por ciudadanos voluntarios, que utilizan sus teléfonos móviles para capturar imágenes de mosquitos y de sus criaderos en espacios públicos. Junto con la foto también se recolecta la ubicación de la observación y otra información necesaria para ayudar en la identificación de la especie. Luego, entomólogos y otros expertos procesan estos datos para confirmar la presencia de una especie potencialmente portadora de enfermedades y alertar a las autoridades pertinentes. De esta forma, con una simple foto y una aplicación, los ciudadanos pueden ayudar a generar un mapa de distribución de los mosquitos por todo el mundo y ayudar a combatirlos.
“Mosquito Alert es una plataforma creada en 2014 para monitorear y controlar los mosquitos portadores de enfermedades”, dice Gereziher Adhane, quien trabajó en el estudio con Mohammad Mahdi Dehshibi y David Masip. “La identificación de los mosquitos es fundamental, ya que las enfermedades que transmiten siguen siendo un gran problema de salud pública. El mayor desafío que encontramos en la identificación del tipo de mosquito en este estudio se debió a las imágenes tomadas en condiciones no controladas por los ciudadanos”, comenta. Explica que la imagen no se tomó en primer plano y contiene objetos adicionales que podrían reducir el rendimiento del método propuesto. Incluso si las imágenes se tomaran de cerca, no necesariamente estaban en un ángulo que los entomólogos pudieran rápidamente identificar, o debido a que las imágenes fueron tomadas de mosquitos muertos, los patrones del cuerpo del mosquito se deformaron.
“Los entomólogos y los expertos pueden identificar a los mosquitos en el laboratorio analizando las formas de onda espectrales de los batidos de sus alas, el ADN de las larvas y las partes morfológicas del cuerpo”, señala Adhane. “Este tipo de análisis depende en gran medida de la experiencia humana y requiere la colaboración de profesionales, por lo general requiere mucho tiempo y no es rentable debido a la posible propagación rápida de especies invasoras. Además, esta forma de estudiar las poblaciones de mosquitos no es fáciles de adaptar para identificar grandes grupos con experimentos realizados fuera del laboratorio o con imágenes obtenidas en condiciones incontroladas”, añade. Aquí es donde las redes neuronales pueden desempeñar un papel como una solución práctica para controlar la propagación de mosquitos.
Redes neuronales profundas, tecnología de vanguardia para la identificación de mosquitos
Las redes neuronales consisten en una combinación compleja de neuronas interconectadas. La información se ingresa en un extremo de la red y se realizan numerosas operaciones hasta obtener un resultado. Una característica de las redes neuronales es que se pueden entrenar de manera supervisada, semi-supervisada o no supervisada para procesar datos y guiar a la red sobre el tipo de resultado que se busca. Otra característica importante es su capacidad para procesar grandes cantidades de datos, como los enviados por los voluntarios que participaron en el proyecto Mosquito Alert. La red neuronal se puede entrenar para analizar imágenes, entre otros tipos de datos, y detectar pequeñas variaciones que podrían ser difíciles de percibir por los expertos.
“La inspección manual para identificar los mosquitos portadores de enfermedades es costosa, requiere mucho tiempo y es difícil en entornos fuera del laboratorio. Los sistemas automatizados para identificar los mosquitos podrían ayudar a los entomólogos a controlar la propagación de los vectores de enfermedades con facilidad”, subraya la investigadora de la UOC.
Los algoritmos convencionales de aprendizaje automático no son lo suficientemente eficientes para el análisis de big data como los datos disponibles en la plataforma Mosquito Alert, porque contienen muchos detalles y existe un alto grado de similitud entre las estructuras morfológicas de diferentes especies de mosquitos. Sin embargo, en el estudio, los investigadores de la UOC demostraron que se pueden utilizar redes neuronales profundas para distinguir entre las similitudes morfológicas de diferentes especies de mosquitos, utilizando las fotografías subidas a la plataforma. “La red neuronal que hemos desarrollado puede funcionar tan bien o casi tan bien como un experto humano y el algoritmo es lo suficientemente poderoso como para procesar cantidades masivas de imágenes”, dice Adhane.
¿Cómo funciona una red neuronal profunda?
“Cuando una red neuronal profunda recibe datos de entrada, los patrones de información se aprenden a través de capas de convolución, agrupación y activación que finalmente llegan a las unidades de salida para realizar la tarea de clasificación”, nos dice el investigador, describiendo el complejo proceso oculto detrás de este modelo.
“Para que una red neuronal aprenda tiene que haber algún tipo de retroalimentación, para reducir la diferencia entre los valores reales y los predichos por la operación informática. La red se entrena hasta que los diseñadores determinan que su desempeño es satisfactorio. El modelo que hemos desarrollado podría usarse en aplicaciones prácticas con pequeñas modificaciones para trabajar con aplicaciones móviles”, explica. Si bien aún queda mucho trabajo de desarrollo por hacer, el investigador concluye que “utilizando esta red entrenada es posible realizar predicciones sobre imágenes de mosquitos tomadas con teléfonos inteligentes de manera eficiente y en tiempo real, como ha sucedido con el proyecto Mosquito Alert”.
Fuente: Techxplore.
