《BMC Artificial Intelligence》：Bridging technology and epidemiology: artificial intelligence-driven innovations in mosquito and mosquito-borne disease research
编辑推荐：
蚊媒传染病（Mosquito-borne diseases, MBDs）仍然是全球重大公共卫生威胁，每年影响数百万人，并在监测、预测和控制方面构成持续挑战。将人工智能（Artificial Intelligence, AI）整合入昆虫学与流行病学研究，为弥合技
蚊媒传染病（Mosquito-borne diseases, MBDs）仍然是全球重大公共卫生威胁，每年影响数百万人，并在监测、预测和控制方面构成持续挑战。将人工智能（Artificial Intelligence, AI）整合入昆虫学与流行病学研究，为弥合技术与公共卫生之间的鸿沟提供了变革性机遇。本综述重点阐述了AI驱动方法在蚊媒传染病研究中的最新进展。在蚊虫监测方面，AI通过计算机视觉、声学及光谱学技术提升了蚊虫种类鉴定能力，实现了自动化、高通量的蚊虫识别。机器学习和深度学习应用亦深化了对蚊虫生物学、生态学及空间分布的理解，为优化防控策略提供了支撑。在疾病预测与早期预警系统方面，AI已从传统机器学习发展为整合气候与人口统计学数据的深度学习模型，而可解释人工智能（Explainable AI）则提升了模型的透明度与可解释性。除监测与预测外，AI还通过精准干预和实时数据分析支持综合蚊虫管理（Integrated Mosquito Management, IMM）。其在公共卫生传播中的作用亦通过数字平台促进了社区参与和风险认知。尽管取得了上述进展，仍存在关键挑战，包括数据异质性、系统集成有限、伦理问题以及跨学科协作的需求。解决这些差距对于充分发挥AI在强化全球蚊媒传染病应对和推进预测流行病学方面的潜力至关重要。
论文主体内容总结
蚊虫各生命阶段识别中AI架构的应用
准确的蚊虫种类鉴定是有效实施蚊虫监测和蚊媒传染病控制的基础，区分埃及伊蚊（Aedes aegypti）和冈比亚按蚊（Anopheles gambiae）等医学重要物种可实现精准干预。人工智能，特别是深度学习（Deep Learning, DL），通过自动化分析形态学数据（如蚊虫身体和翅膀图像）和声学数据（如振翅声记录），显著提升了鉴定的速度、精度和一致性。DL应用主要集中于成蚊鉴定，包括全身成像、基于翅膀的形态学分类以及振翅音频分析。
在DL架构的演进方面，卷积神经网络（Convolutional Neural Networks, CNNs）仍是特征提取和模式识别的基础架构。YOLO（You Only Look Once）架构在复杂或杂乱背景中定位蚊虫特征方面较标准CNN更快，可实现不同蚊种的实时检测。近年来，基于Transformer的架构已成为AI驱动蚊虫鉴定的变革性进展，在准确性上超越了传统机器学习模型甚至CNN。例如，Swin Transformer变体在17个物种的分类任务中达到了99.04%的基准准确率和99.16%的F1分数，优于达到98%精确度和96%受试者工作特征曲线下面积（ROC-AUC）的ResNet34。由于Transformer架构的高准确性，CNN-Transformer混合架构代表了DL模型向学习全局上下文特征方向的转变，而Grad-CAM等可解释性工具通过可视化影响预测的判别性区域进一步增强了透明度。
DL架构在不同蚊虫生命阶段的有效性取决于生物学阶段和数据类型。成蚊鉴定传统上依赖体视显微镜，而幼虫特征往往具有微观结构，需要更高倍率。如今，借助智能手机或诱捕器系统等基于摄像设备的高质量图像，DL模型能够实现快速、移动化的检测，最大限度地减少蚊虫种类识别错误。近期方法利用CNN和基于迁移学习的混合架构增强空间特征提取和种间区分，准确率常超过95%。在幼虫分类方面，单次检测器（Single-shot detector, SSD）网络对伊蚊属（Aedes）幼虫的识别准确率达到94.19%，基于CNN的属级DL模型也表现出相当强的性能。更先进的实现现已整合迁移学习和特征编码器，以增强对近缘幼虫类群的区分能力。
AI在蚊虫生理学、行为学与生态学中的应用
除蚊虫鉴定外，AI还被用于探索蚊虫生态学及其复杂的生物学过程。AI架构能够预测直接影响疾病传播动态的特定性状，包括年龄、取食史、感染状态和行为模式。AI应用已从物种鉴定转向生态建模。
在生理与感染性状预测方面，利用光谱法、成像和蛋白质组学数据，DL和ML模型可揭示与年龄、取食史和感染状态相关的生物学标志物。例如，Nabet等人利用基质辅助激光解吸电离飞行时间质谱（MALDI-TOF mass spectrometry）检测蚊虫胸部蛋白模式，随后使用人工神经网络（Artificial Neural Networks, ANN）和多层感知器（Multilayer Perceptron, MLP）分析蛋白质组学数据，对蚊虫年龄、吸血状态和疟疾感染提供了准确预测。Mwanga等人利用中红外光谱法（Mid-infrared spectrophotometry, MIRS）在实验室饲养蚊虫上训练ML和DL模型，准确预测野外捕获蚊虫的年龄，分别达到92%和99%的准确率。Rakotonirina等人的研究表明，MALDI-TOF光谱与CNN集成可对实验室中埃及伊蚊的沃尔巴克氏体（Wolbachia）感染提供准确预测，为其作为生物防治手段的现场推广提供了可扩展框架。此外，Mwanga等人证明基于MIRS的分类结合监督机器学习能够准确预测野外捕获的雌性按蚊（Anopheles）的血餐来源。这些结果验证了AI方法比传统方法（如聚合酶链反应（PCR）、酶联免疫吸附测定（ELISA）和蚊虫解剖）更快速、经济且劳动强度更低。
在蚊虫行为与生态互作分析方面，AI已实现对蚊虫行为模式的定量分析，特别是飞行动态。Qureshi等人将支持向量机（Support Vector Machines, SVMs）应用于3D飞行轨迹，在交配群中区分性别方面取得了0.701（立体3D）、0.688（远心）和0.632（2D）的ROC-AUC分数。Javed等人采用Mask R-CNN检测、分类和计数飞行及静止蚊虫，达到96-100%的准确率，并进一步扩展为FlightTrackAI系统，在蚊虫完全或部分遮挡情况下仍达到99.9%的飞行路径追踪准确率。另一项名为biteOscope的CNN系统利用AI增强视频分析在精细时间尺度上监测吸血事件，为宿主-蚊虫互作和取食偏好提供了见解。
AI在蚊虫监测中的应用：制图与分布
AI已成为蚊虫监测的核心，通过整合视觉、光谱、声学和环境来源的数据，AI驱动系统实现了对蚊虫种群动态和疾病传播风险的实时、高精度监测。
在蚊虫分布监测的AI驱动自动化方面，现代DL和ML架构分析多模态数据集，包括图像、光谱或声学信号，以绘制和追踪关键属（包括伊蚊属、按蚊属和库蚊属（Culex））的蚊虫种群。通过将这些结果与环境参数配对，AI架构能够准确预测特定区域关键属的地理分布。这些系统显著提高了可扩展性、速度和准确性，实现了蚊虫增殖的早期检测。
在遥感与生态建模用于蚊虫栖息地制图方面，Kofidou等人利用Landsat 8衍生的植被指数、地表温度和水体指数等遥感数据，在区域尺度上采用MLP预测希腊野生蚊虫种群高峰，可提前13天进行预测。Suantai等人利用贝叶斯正则化神经网络分析蚊虫扩散数学模型，模拟蚊虫种群在异质环境中跨多个生物学和生态学特征（包括卵、幼虫、蛹、宿主相关蚊虫、静止蚊虫和产卵场所）的动态变化。
在集成学习与蚊虫分布空间风险制图方面，集成学习技术结合多种ML算法以提高野生蚊虫种群制图和栖息地风险评估的稳健性和准确性。在摩洛哥，Douider等人利用按蚊和库蚊物种的存在-不存在数据以及225个环境预测因子训练XGBoost、梯度提升和随机森林模型，其中XGBoost达到了最高准确率（74.5-86.2%）。递归特征选择进一步识别了影响蚊虫出现的最重要环境驱动因素。Trujillano等人利用基于CNN的土地覆盖分类，在布基纳法索和科特迪瓦准确检测按蚊栖息地，利用无人机（Unoccupied Aerial Vehicles, UAVs）生成高分辨率图像，实现了对耕地、作物、建筑物和非植被水体等特定景观类别的准确检测。
在基于UAV的精细尺度栖息地制图方面，配备高分辨率传感器和AI分类器的UAV可对城市和乡村环境进行准确的空间精度调查。在巴西坎皮纳斯，Cunha等人将DL模型与航空影像集成，自动识别蚊虫产卵场所（如屋顶积水水箱和游泳池），并评估社区的社会经济指数，为精准干预提供了宝贵见解。
在机器人与自主系统用于空间制图方面，Semwal等人开发了"Dragonfly"机器人平台，将蚊虫诱捕模块与YOLOv4分类器相结合，生成蚊虫密度的实时可视化，在公开数字照片上达到88%的准确率，在野外实时视频流试验中达到82%的准确率。Haas-Stapleton等人部署了配备多光谱传感器和变焦摄像机的UAV，用于评估蚊虫孳生地和丰度。
