Un estudio realizado por investigadores del grupo de investigaci\u00f3n Escena comprensi\u00f3n e inteligencia artificial (SUNAI), de la Facultad de Inform\u00e1tica, Multimedia y Telecomunicaciones de la Universitat Oberta de Catalunya (UOC), ha desarrollado un m\u00e9todo que permite aprender a identificar mosquitos utilizando un gran n\u00famero de im\u00e1genes que los voluntarios tomaron usando tel\u00e9fonos m\u00f3viles y subieron a la plataforma Mosquito Alert.<\/p>\n\n\n\n
Ciencia ciudadana para investigar y controlar los mosquitos transmisores de enfermedades<\/strong><\/p>\n\n\n\n Adem\u00e1s de ser molestos por sus picaduras, los mosquitos pueden ser portadores de pat\u00f3genos. El aumento de las temperaturas en todo el mundo est\u00e1 facilitando su propagaci\u00f3n. Este es el caso del mosquito tigre, Aedes albopictus<\/em>, y otras especies en Espa\u00f1a y en el mundo. A medida que estas especies se propagan, se desarrolla la ciencia dedicada a combatir los problemas asociados con ellas. As\u00ed se puso en marcha Mosquito Alert, un proyecto de ciencia ciudadana coordinado por el Centro de Investigaci\u00f3n en Ecolog\u00eda y Aplicaciones Forestales, el Centro de Estudios Avanzados de Blanes y la Universitat Pompeu Fabra al que han contribuido investigadores de la UOC.<\/p>\n\n\n\n Este proyecto re\u00fane informaci\u00f3n recopilada por ciudadanos voluntarios, que utilizan sus tel\u00e9fonos m\u00f3viles para capturar im\u00e1genes de mosquitos y de sus criaderos en espacios p\u00fablicos. Junto con la foto tambi\u00e9n se recolecta la ubicaci\u00f3n de la observaci\u00f3n y otra informaci\u00f3n necesaria para ayudar en la identificaci\u00f3n de la especie. Luego, entom\u00f3logos 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 aplicaci\u00f3n, los ciudadanos pueden ayudar a generar un mapa de distribuci\u00f3n de los mosquitos por todo el mundo y ayudar a combatirlos.<\/p>\n\n\n\n “Mosquito Alert es una plataforma creada en 2014 para monitorear y controlar los mosquitos portadores de enfermedades”, dice Gereziher Adhane, quien trabaj\u00f3 en el estudio con Mohammad Mahdi Dehshibi y David Masip. “La identificaci\u00f3n de los mosquitos es fundamental, ya que las enfermedades que transmiten siguen siendo un gran problema de salud p\u00fablica. El mayor desaf\u00edo que encontramos en la identificaci\u00f3n del tipo de mosquito en este estudio se debi\u00f3 a las im\u00e1genes tomadas en condiciones no controladas por los ciudadanos”, comenta. Explica que la imagen no se tom\u00f3 en primer plano y contiene objetos adicionales que podr\u00edan reducir el rendimiento del m\u00e9todo propuesto. Incluso si las im\u00e1genes se tomaran de cerca, no necesariamente estaban en un \u00e1ngulo que los entom\u00f3logos pudieran r\u00e1pidamente identificar, o debido a que las im\u00e1genes fueron tomadas de mosquitos muertos, los patrones del cuerpo del mosquito se deformaron.<\/p>\n\n\n\n “Los entom\u00f3logos 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 morfol\u00f3gicas del cuerpo”, se\u00f1ala Adhane. “Este tipo de an\u00e1lisis depende en gran medida de la experiencia humana y requiere la colaboraci\u00f3n de profesionales, por lo general requiere mucho tiempo y no es rentable debido a la posible propagaci\u00f3n r\u00e1pida de especies invasoras. Adem\u00e1s, esta forma de estudiar las poblaciones de mosquitos no es f\u00e1ciles de adaptar para identificar grandes grupos con experimentos realizados fuera del laboratorio o con im\u00e1genes obtenidas en condiciones incontroladas\u201d, a\u00f1ade. Aqu\u00ed es donde las redes neuronales pueden desempe\u00f1ar un papel como una soluci\u00f3n pr\u00e1ctica para controlar la propagaci\u00f3n de mosquitos.<\/p>\n\n\n\n Redes neuronales profundas, tecnolog\u00eda de vanguardia para la identificaci\u00f3n de mosquitos<\/strong><\/p>\n\n\n\n Las redes neuronales consisten en una combinaci\u00f3n compleja de neuronas interconectadas. La informaci\u00f3n se ingresa en un extremo de la red y se realizan numerosas operaciones hasta obtener un resultado. Una caracter\u00edstica 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 caracter\u00edstica 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 im\u00e1genes, entre otros tipos de datos, y detectar peque\u00f1as variaciones que podr\u00edan ser dif\u00edciles de percibir por los expertos.<\/p>\n\n\n\n \u201cLa inspecci\u00f3n manual para identificar los mosquitos portadores de enfermedades es costosa, requiere mucho tiempo y es dif\u00edcil en entornos fuera del laboratorio. Los sistemas automatizados para identificar los mosquitos podr\u00edan ayudar a los entom\u00f3logos a controlar la propagaci\u00f3n de los vectores de enfermedades con facilidad\u201d, subraya la investigadora de la UOC.<\/p>\n\n\n\n Los algoritmos convencionales de aprendizaje autom\u00e1tico no son lo suficientemente eficientes para el an\u00e1lisis 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 morfol\u00f3gicas 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 morfol\u00f3gicas de diferentes especies de mosquitos, utilizando las fotograf\u00edas 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 im\u00e1genes”, dice Adhane.<\/p>\n\n\n\n \u00bfC\u00f3mo funciona una red neuronal profunda?<\/strong><\/p>\n\n\n\n “Cuando una red neuronal profunda recibe datos de entrada, los patrones de informaci\u00f3n se aprenden a trav\u00e9s de capas de convoluci\u00f3n, agrupaci\u00f3n y activaci\u00f3n que finalmente llegan a las unidades de salida para realizar la tarea de clasificaci\u00f3n”, nos dice el investigador, describiendo el complejo proceso oculto detr\u00e1s de este modelo.<\/p>\n\n\n\n “Para que una red neuronal aprenda tiene que haber alg\u00fan tipo de retroalimentaci\u00f3n, para reducir la diferencia entre los valores reales y los predichos por la operaci\u00f3n inform\u00e1tica. La red se entrena hasta que los dise\u00f1adores determinan que su desempe\u00f1o es satisfactorio. El modelo que hemos desarrollado podr\u00eda usarse en aplicaciones pr\u00e1cticas con peque\u00f1as modificaciones para trabajar con aplicaciones m\u00f3viles\u201d, explica. Si bien a\u00fan queda mucho trabajo de desarrollo por hacer, el investigador concluye que \u201cutilizando esta red entrenada es posible realizar predicciones sobre im\u00e1genes de mosquitos tomadas con tel\u00e9fonos inteligentes de manera eficiente y en tiempo real, como ha sucedido con el proyecto Mosquito Alert\u201d.<\/p>\n\n\n\n