编辑推荐：
恰加斯病病媒吸血昆虫的准确识别至关重要，但非专业人员识别困难。研究人员评估 AlexNet、MobileNetV2 和 ResNet-50 三种卷积神经网络（CNNs）识别不同食性昆虫的性能。结果显示模型准确率超 94%，为病媒识别工具开发提供支持。
在奇妙的昆虫世界里，有一种微小却极具威胁的生物，它们是恰加斯病的 “帮凶”—— 吸血昆虫，尤其是锥蝽（Triatominae）。恰加斯病由克氏锥虫（Trypanosoma cruzi）引起，严重威胁着人类健康。目前，已发现 158 种锥蝽，它们传播疾病的能力不容小觑。然而，识别这些吸血昆虫并非易事。传统的识别方法依赖过时的分类检索表，需要经验丰富的分类学家耗费大量时间，这对非专业人员来说几乎是不可能完成的任务。虽然已经出现了一些创新工具，如 Triatokey 虚拟平台和 TriatoDex 移动应用程序，但它们仍需使用者具备一定的分类学知识，难以广泛应用。
在此背景下，巴西的研究人员开展了一项重要研究，试图借助先进的技术解决这一难题。他们聚焦于深度学习中的卷积神经网络（Convolutional Neural Networks，CNNs），选择了 AlexNet、MobileNetV2 和 ResNet-50 三种网络，评估其识别不同食性昆虫的能力。该研究成果发表在《Acta Tropica》杂志上，为恰加斯病病媒识别带来了新的曙光。
研究人员使用的主要关键技术方法为：构建包含 707 张昆虫照片的数据库，涵盖食植性（241 张）、吸血性（256 张）和捕食性（210 张）昆虫。其中吸血性昆虫包含 63 种锥蝽，通过 TriatoDex 电子检索表进行鉴定。运用迁移学习训练模型，并利用 Grad-CAM 可视化技术确定影响模型预测的关键图像区域。
研究结果：
- 混淆矩阵（Confusion matrices）：ResNet-50 网络在识别测试图片时的错误率低于 AlexNet 和 MobileNetV2 网络。不过，AlexNet 和 MobileNetV2 网络在识别吸血昆虫时仅出现 1 次错误。
- 准确率（Accuracy）：ResNet-50 算法的准确率最高，达到 96.5%（95% CI 92–98）。MobileNetV2 和 AlexNet 的准确率也均超过 94%。
研究结论和讨论：研究表明，AlexNet、MobileNetV2 和 ResNet-50 三种模型识别 “吸血性”“食植性” 和 “捕食性” 昆虫的准确率均超 94%。它们在识别吸血昆虫（主要为锥蝽）时具有较高的敏感性和特异性。通过 Grad-CAM 可视化发现，识别吸血昆虫最重要的区域在腹部，而识别食植性和捕食性昆虫的关键区域在头部。
这项研究意义重大。它首次评估了多种卷积神经网络识别不同食性昆虫的性能，证实了这些模型在区分锥蝽和其他相似昆虫方面的有效性。这为开发低成本、便捷的病媒识别工具奠定了基础，有助于加强恰加斯病的监测和防控，有望让更多人能够快速、准确地识别潜在的病媒昆虫，从而及时采取预防措施，保护公众健康。同时，研究结果也为深度学习在昆虫分类领域的应用提供了重要参考，推动了相关技术在生命科学和健康医学领域的进一步发展。
