基于人工智能图像分类的社区驱动蚊媒监测系统创新：AIMA系统的实践经验与启示

《Epilepsy & Behavior》：Augmenting Community-Driven Vector Surveillance with Automated Image Classification: Lessons from the Artificial Intelligence Mosquito Alert (AIMA) system

本研究针对传统蚊媒监测方法效率低、覆盖范围有限的问题，开发了基于人工智能图像分类的Mosquito Alert (MA)平台——AIMA系统。该系统通过移动应用收集公众提交的蚊虫图像，利用深度学习算法实现物种自动识别，显著减轻专家验证负担，并构建了实时预警系统。研究显示，AIMA在2023-2024年运行期间，对白纹伊蚊(Ae. albopictus)和库蚊属(Culex sp.)识别效果最佳，成功更新了欧洲多国蚊媒分布图，为蚊媒传染病防控提供了可扩展的智能监测方案。

　　

随着气候变迁和全球化进程加速，蚊媒传染病正成为日益严峻的全球公共卫生挑战。据统计，病媒传播疾病占全球传染病的17%以上，其中蚊媒疾病如登革热、基孔肯雅热、寨卡病毒等发病率在近几十年显著上升。特别是入侵蚊种如埃及伊蚊(Aedes aegypti)和白纹伊蚊(Aedes albopictus)的分布范围不断扩张，已从原生的非洲和东南亚地区蔓延至欧洲等新区域，给当地公共卫生体系带来巨大压力。

传统蚊媒监测方法如BG-Sentinel诱捕器、CDC光诱捕器等虽然能提供高质量的昆虫学数据，但存在明显局限性：这些方法需要专业人员部署设备、收集样本并进行物种鉴定，成本高昂且耗时费力；在空间覆盖范围上受限，难以实现大范围监测；响应速度慢，无法满足疫情快速应对的需求。这些缺陷在监测如白纹伊蚊等入侵物种的扩散前沿时尤为突出。

为克服这些挑战，公民科学作为一种补充方法展现出巨大潜力。通过动员公众参与监测，可以扩大监测范围、提高数据收集效率。然而，公民科学平台依赖照片进行物种鉴定面临两大挑战：图像质量参差不齐（由于蚊虫体积小、活动迅速，难以拍摄清晰照片）；以及某些物种需要检查精细形态特征才能准确鉴定，这对非专业人士来说极为困难。

在此背景下，Mosquito Alert (MA)平台应运而生。该平台最初于2014年在西班牙启动，旨在收集入侵伊蚊及其孳生地的照片记录。随着时间推移，MA逐步扩展至整个欧洲，支持22种语言，成为首个在大陆尺度上提供验证蚊虫数据的公民科学平台。然而，随着参与人数和数据量的增长，完全依赖专家进行图像验证的模式面临可扩展性挑战。

为解决这一瓶颈，研究人员开发了人工智能蚊虫警报(AIMA)系统，于2023年初投入使用。AIMA系统集成了深度学习图像分类技术，能够自动处理公众提交的蚊虫图像，实现物种识别和实时预警。这一创新不仅减轻了专家工作负担，还能为参与者提供即时反馈，增强公众参与积极性。

关键技术方法包括：1）通过移动应用收集地理参考的蚊虫图像报告；2）构建包含MA平台图像和全球生物多样性信息设施(GBIF)外部图像的训练数据集；3）采用深度学习架构（2023年为三阶段管道：ResNet-18过滤、Faster R-CNN检测、MobileNet-v2分类；2024年优化为两阶段：YOLOv8检测与过滤、EfficientNetV2-small分类）；4）建立由128名昆虫学专家组成的数字昆虫学网络进行人工验证；5）整合多源分布数据构建早期预警系统(EWS)。

研究结果显示，在2023-2024年运行期间，MA平台在欧洲共收到49,381份报告（2024年），其中蚊虫报告22,388份。西班牙是参与度最高的国家，占欧洲总报告量的42.5%。AIMA系统在2024年表现出更高的操作性能，整体准确率从0.68提升至0.80，加权精确度从0.76提高至0.81。

物种识别方面，白纹伊蚊(Ae. albopictus)和库蚊属(Culex sp.)是识别最可靠的物种，这与其在训练数据中的丰富代表性和鲜明的视觉特征有关。而埃及伊蚊(Ae. aegypti)仍然是识别最困难的类别，尽管2024年模型有所改进，但仍存在较多误识别。对于日本伊蚊(Ae. japonicus)和韩国伊蚊(Ae. koreicus)，2024年系统首次将其分为独立类别，虽然增加了识别复杂度，但提高了监测特异性。

早期预警系统表现方面，2023-2024年间，系统在15个欧洲国家生成了1,118次警报。西班牙由于使用市级精细分布图，警报数量最多（两年共580次）。白纹伊蚊的警报命中率从50.9%提升至57.2%，表明系统性能持续改进。通过AIMA系统的检测，西班牙新增121个市镇被标记为白纹伊蚊"报告"地区，15个市镇为"引入"地区；10个市镇为日本伊蚊"报告"地区。

在外部基准数据集上的评估表明，2024年模型在所有测试集上均优于2023年版本，表明性能提升是模型质量的真实进步，而非数据特征变化所致。系统处理速度也显著提升，2024年模型图像分类时间从10秒缩短至1秒以内，增强了实时响应能力。

研究结论表明，AIMA系统成功将公民科学与人工智能技术相结合，创建了一个可扩展、响应迅速的蚊媒监测平台。通过自动化常规识别任务，系统显著减轻了专家负担，使其能专注于复杂案例验证。实时预警机制使公共卫生机构能够及时获取入侵蚊种分布信息，支持早期检测和快速响应(EDRR)策略实施。

讨论部分强调，尽管系统在识别某些物种（特别是埃及伊蚊）方面仍存在挑战，但整体性能持续改进。未来工作重点包括：优化训练数据集平衡性、探索混合架构提升模型鲁棒性、改进应用界面引导用户提交更高质量图像。随着MA平台向全球扩展，数据集的生态和视觉多样性将进一步增强，有望提高模型泛化能力。

这项研究展示了人工智能辅助的公民科学在公共卫生监测中的巨大潜力。通过整合社区参与、专家知识和先进技术，AIMA系统为应对蚊媒传染病威胁提供了创新解决方案，为构建韧性公共卫生基础设施贡献了重要实践经验。随着技术不断演进，这种模式有望在更广泛的病媒监测和传染病防控领域发挥更大作用。