News Release

Un equipo de la UOC desarrolla una tecnología para identificar mosquitos tigre

Investigadores de la UOC desarrollan tecnología que ayudará a la investigación para el control de la población de mosquitos transmisores de enfermedades

Peer-Reviewed Publication

Universitat Oberta de Catalunya (UOC)

Un estudio de investigadores del grupo Scene understanding and artificial intelligence lab (SUNAI), de los Estudios de Informática, Multimedia y Telecomunicación de la Universitat Oberta de Catalunya (UOC), ha desarrollado una tecnología que aprende a identificar mosquitos a través de un gran volumen de fotografías subidas a una plataforma, Mosquito Alert, realizadas por ciudadanos voluntarios.

Ciencia ciudadana para investigar y controlar a los mosquitos

Los mosquitos pueden ser, además de molestos por sus picaduras, portadores de patógenos. El aumento de las temperaturas terrestres, además, facilita su expansión. Es el caso del mosquito tigre, Aedes albopictus, en España. A medida que estas especies se expanden, también lo hace la ciencia dedicada a combatir los problemas que se les asocia. Así nació Mosquito Alert, un proyecto de ciencia ciudadana coordinado por el Centro de Estudios Avanzados de Blanes, el Centro de Investigación Ecológica y Aplicaciones Forestales y la Universitat Pompeu Fabra, en el que han colaborado los investigadores de la UOC.

Este proyecto reúne la información recogida por los usuarios quienes, gracias a sus móviles, pueden fotografiar a los mosquitos y avisar de su presencia en una zona. Esta información es procesada por entomólogos y expertos para confirmar la presencia de una especie potencialmente peligrosa y avisar a las autoridades pertinentes. Con una sencilla foto y una aplicación, la ciudadanía puede contribuir a generar un mapa de distribución de mosquitos a nivel mundial y ayudar a combatirlos.

«Mosquito Alert es una plataforma que se lanzó en 2014 para monitorizar y controlar los mosquitos portadores de enfermedades», explica Gereziher Weldegebriel Adhane, que junto a Mohammad Mahdi Dehshibi y David Masip, han participado en el reciente estudio. «La identificación de los mosquitos es fundamental, ya que las enfermedades que transmiten siguen siendo un problema de salud pública importante. El mayor desafío que encontramos al identificar el tipo de mosquito es procesar fotos tomadas en condiciones no controladas y por voluntarios, que al final no son expertos», confirmaba. Un error muy común, según explica, es obtener una imagen que no esté realizada en segundo plano con elementos adicionales o desde un ángulo que no permite identificar rápidamente la especie, o, incluso, a de mosquitos muertos, con patrones del cuerpo del mosquito deformados.

«Los entomólogos pueden identificar mosquitos en el laboratorio analizando las formas de onda espectrales del batido de las alas, el ADN de las larvas o las partes morfológicas del cuerpo», describe Adhane. «Este tipo de análisis depende en gran medida de la experiencia humana y requiere la colaboración de múltiples profesionales, suele llevar mucho tiempo y no es muy práctica debido a la posible rápida propagación de especies de vectores invasores. Además, esta forma de estudiar poblaciones de mosquitos no es fácilmente adaptable para identificar grupos grandes con experimentos realizados fuera de laboratorio o con imágenes capturadas en condiciones no controladas», añade. Es aquí donde entran las redes neuronales como tecnología práctica para estudiar los mosquitos.

Redes neuronales profundas, tecnología punta al servicio antimosquitos

Las redes neuronales consisten en un conjunto complejo de unidades computacionales conectadas entre sí. La información se introduce por uno de sus extremos y la atraviesa, generando numerosas operaciones hasta que se obtiene un resultado. Una de las características de las redes neuronales es que son procesos que pueden aprender, de manera que se forman a sí mismos cuando se entrenan, procesando unos datos e instruyendo a la red del tipo de resultado que se busca. Otra de las características principales es su capacidad para procesar grandes cantidades de datos, como, por ejemplo, los proporcionados por miles de voluntarios identificando imágenes de mosquitos. La red neuronal se puede adiestrar para que identifique las imágenes adecuadas y detecte pequeñas variaciones, que pueden ser casi imperceptibles para el ojo humano.

«La inspección manual para abordar el problema de la identificación de enfermedades transmitidas por mosquitos es costosa, requiere mucho tiempo y es casi imposible en entornos que no son de laboratorio», reitera el investigador de la UOC. «Los sistemas automatizados para identificar mosquitos podrían ayudar a monitorizar fácilmente los brotes de vectores de enfermedades. En el caso del proyecto Mosquito Alert demostramos cómo una red neuronal -que puede ser profunda, es decir, la que tiene varias capas ocultas entre las de entrada y salida-, puede ayudar a identificar el tipo de mosquito a partir de imágenes subidas por la ciudadanía a la plataforma».

Los algoritmos de aprendizaje automático convencionales resultan ineficientes para los grandes conjuntos de datos obtenidos a partir de un proyecto como este, ya que contienen muchas características y existe una gran similitud en las estructuras morfológicas de las especies de mosquitos. Sin embargo, los investigadores de la UOC comprobaron en el estudio que las redes neuronales profundas pueden emplearse para distinguir las similitudes morfológicas entre las especies de mosquitos a partir de las fotografías subidas a la app. «La red neuronal que hemos desarrollado pueden lograr un rendimiento similar al de un experto, y los algoritmos son potentes para procesar los datos masivos de las fotografías», confirma Adhane.

¿Cómo funciona una red neuronal profunda?

«Cuando una red neuronal recibe datos de entrada, los patrones de información se aprenden y alimentan a la red, activando las unidades de las capas ocultas», resume el investigador sobre el complejo proceso que se esconde tras la tecnología. «La información llega a las unidades de salida para realizar la tarea de clasificación, lo que denomina red de avance. Cada unidad, es decir, cada neurona artificial, tiene unos valores asociados a las neuronas vecinas. Cuando este cálculo alcanza un umbral específico, la unidad se dispara, activando a las que está conectada». Un proceso complejo similar a un sistema biológico.

«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 computacional. La red se somete al entrenamiento hasta que los investigadores determinados que su rendimiento es satisfactorio, como ha sucedido con el proyecto Mosquito Alert», aclara el investigador de la UOC.

«El modelo que desarrollamos podría usarse en aplicaciones prácticas con pequeñas modificaciones para funcionar en aplicaciones móviles», detalla Adhane. Aunque queda mucho trabajo de desarrollo por delante, el investigador concluye que «usando la red entrenada es posible hacer predicciones sobre las imágenes de los mosquitos tomadas con los smartphones de forma eficaz y en tiempo real».

###

Esta investigación de la UOC favorece al objetivo de desarrollo sostenible (ODS) 3: Garantizar una vida sana y promover el bienestar para todos en todas las edades

Mosquito Alert es un proyecto de ciencia ciudadana coordinado por el Centro de Estudios Avanzados de Blanes (CEAB-CSIC), el Centro de Investigación Ecológica y Aplicaciones Forestales (CREAF) y la Universitat Pompeu Fabra.

Artículo de referencia

Adhane, Gereziher, Mohammad Mahdi Dehshibi, y David Masip. 2021. «A Deep Convolutional Neural Network for Classification of Aedes Albopictus Mosquitoes». IEEE Access 9: 72681-90. https://doi.org/10.1109/ACCESS.2021.3079700.

UOC R&I

La investigación e innovación (RI) de la UOC contribuye a solucionar los retos a los que se enfrentan las sociedades globales del siglo xxi, mediante el estudio de la interacción de la tecnología y las ciencias humanas y sociales, con un foco específico en la sociedad red, el aprendizaje en línea y la salud digital. Los más de 500 investigadores y 51 grupos de investigación se articulan en torno a los siete estudios de la UOC y dos centros de investigación: el Internet Interdisciplinary Institute (IN3) y el eHealth Center (EHC).

Los objetivos de la Agenda 2030 de Desarrollo Sostenible de las Naciones Unidas y el conocimiento abierto son ejes estratégicos de la docencia, la investigación y la innovación de la UOC. Más información: research.uoc.edu. #25añosUOC


Disclaimer: AAAS and EurekAlert! are not responsible for the accuracy of news releases posted to EurekAlert! by contributing institutions or for the use of any information through the EurekAlert system.