《Veterinary Parasitology》：A convolutional neural network-based machine learning prototype for accurate identification of five
Hyalomma tick species in Tunisia: Development and assessment of an experimental prototype
编辑推荐：
•YOLOv11-CNN级联框架利用深度学习自动化实现Hyalomma鉴定。•流程完成蜱虫检测、分类过滤、性别识别和物种识别。•使用基于图像的深度学习对突尼斯五种Hyalomma物种进行分类。•人工智能将模型预测与经典鉴定中的形态特征联系起来。•用于蜱虫监测的"同一健康"媒介
- •
YOLOv11-CNN级联框架利用深度学习自动化实现Hyalomma鉴定。
- •
流程完成蜱虫检测、分类过滤、性别识别和物种识别。
- •
使用基于图像的深度学习对突尼斯五种Hyalomma物种进行分类。
- •
人工智能将模型预测与经典鉴定中的形态特征联系起来。
- •
用于蜱虫监测的"同一健康"媒介监测决策支持原型。
引言
蜱虫是全世界范围内影响动物和人类健康的最重要体外寄生虫之一，因为它们能够传播多种多样的病原体（Yessinou等，2025）。在突尼斯，硬蜱（硬蜱科Ixodidae）是家畜寄生虫的主要组成部分，全国范围内已报道了5个属和至少18个物种（Bouattour等，1999，2000）。其中，属于Hyalomma属的蜱虫因其数量众多、生态分布广泛，并能适应从湿润的北部地区到干旱的南部生态系统的不同生物气候区，而显得格外重要（Bouattour等，2000）。几种Hyalomma物种通常寄生于牛、骆驼、小反刍动物和马匹，其中H. scupense、H. marginatum、H. dromedarii、H. impeltatum和H. excavatum是家畜中发现的主要物种（Elati等，2021）。这些物种在兽医和医学领域引起了重大关注，因为它们可能根据物种和地理环境的不同，参与传播重要的蜱传病原体，包括Theileria annulata、Theileria equi、Anaplasma marginale、Rickettsia aeschlimannii、克里米亚-刚果出血热病毒和非洲马瘟病毒（Selmi等，2019，Bonnet等，2023，Elati等，2023）。
蜱虫物种的可靠鉴定是流行病学监测、媒介风险评估和制定适当控制策略的基本步骤（Ben Said等，2012，Zamiti等，2023，Jomli等，2024）。Hyalomma物种的传统鉴定主要基于形态学检索表，使用诸如口器、盾板、刻点、气门板、腹环和雄性特有结构等诊断特征（Walker等，2003，Hosseini-Chegeni等，2013）。然而，即使是经过培训的专业人员，准确的鉴定仍然具有挑战性，因为多个物种之间存在微妙的形态差异（Schulz等，2020）。此外，标本状况、身体膨胀（尤其是雌性）、采集过程中的损伤以及标本方向的变异性可能会改变关键诊断特征。在欧洲一个由14个实验室组成的网络中进行的比较评估显示，蜱虫鉴定的准确性存在显著差异，Hyalomma物种的误鉴率达到36%，Rhipicephalus物种的误鉴率达到54%（Estrada-Pe?a等，2017）。在当前气候变化和人为活动的影响下，这些局限性变得越来越重要，因为它们正在改变蜱虫的分布模式，促进外来物种的引入，并增加了蜱传疾病出现的风险（Dantas-Torres，2015，Alkishe等，2017，Fernández-Ruiz和Estrada-Pe?a，2021）。
分子方法为确认蜱虫物种鉴定提供了有价值的工具，尤其是在涉及受损标本或形态学相似物种的情况下（Cruickshank，2002，Lv等，2014，Jomli等，2024）。然而，这些方法需要专用设备、技术专长和额外成本，限制了它们在大规模常规监测中的应用（Ben Said，2025，Ben Said等，2026）。因此，形态学鉴定仍然是许多兽医和野外环境中标准的方法。然而，经过培训的分类学家日益减少，以及需要将标本送至专业实验室的需求，可能会延误物种确认和流行病学决策（Estrada-Pe?a等，2017，Justen等，2021；Kopscoet al.，2021）。
近年来，人工智能（AI），特别是深度学习和卷积神经网络（CNNs），已成为自动蜱虫鉴定的一个有前景的补充方法（Luo等，2022）。与传统图像分析方法不同，基于CNN的系统可以直接从蜱虫图像中自动学习相关的形态模式，包括分类学家通常用于物种区分的结构（Omodior等，2021）。多项研究已证明，使用实验室获取、智能手机拍摄或公民提交的图像进行AI辅助蜱虫识别的可行性。例如，CNN和迁移学习方法已成功应用于鉴定医学重要的蜱虫，如
、和（Justen等，2021，Kopsco等，2021，Luo等，2022）。同样，包括TickPhone和其他自动化系统在内的移动和Web平台，也展示了基于图像的AI工具在支持快速分散式蜱虫鉴定方面的潜力（Justen等，2021，Xu等，2021）。尽管取得了这些进展，但大多数现有的基于AI的蜱虫鉴定系统要么专注于区分少数具有流行病学重要性的物种，要么仅限于属水平分类。同属近缘物种的区分研究仍然不足，尽管这是常规蜱虫分类学中最困难的任务之一。对于Hyalomma属而言，这一局限性尤为重要，该属的多个物种具有重叠的形态特征，但在生态学、宿主关联性和媒介重要性方面存在差异。因此，本研究旨在开发和评估一种结合YOLOv11和卷积神经网络的基于图像的深度学习框架，用于自动鉴定突尼斯五种主要家畜相关Hyalomma物种：H. marginatum、H. excavatum、H. impeltatum、H. scupense和H. dromedarii。所提出的系统设计为一个实验性决策支持原型，通过自动蜱虫检测、方向识别、性别鉴定和物种水平分类，重现了经典形态学鉴定的主要步骤。通过将人工智能与传统蜱虫学专业知识相结合，该方法旨在支持未来兽医和"同一健康"监测应用中更快、更标准化和可扩展的蜱虫鉴定。
章节摘要
蜱虫采集与形态学鉴定
2020年至2024年间，在突尼斯不同地区的野外调查中，从家畜身上共采集了457只成蜱。标本来源于牛、绵羊和单峰骆驼，盛放在单独标记的试管中活体运至实验室。属于Hyalomma属的成蜱使用标准分类检索表进行了形态学鉴定，主要参考Walker等（2003）和Estrada-Pe?a（2015）的方法。物种鉴定基于
基于YOLOv11的蜱虫检测
在测试阶段，YOLOv11模型在蜱虫检测方面表现出稳健的性能。训练曲线显示边界框损失、分类损失和分布焦点损失逐渐下降，在前30个epoch期间显著下降，随后趋于稳定（图2）。验证指标呈现相似模式，表明模型稳定收敛，没有明显的过拟合迹象。在独立测试集上，模型达到了1.00的精确率和
讨论
深度学习和计算机视觉方法最近已成为支持自动物种识别的有前景的工具，它们可以直接从图像中提取判别性视觉模式，而无需手动特征工程（Ciregan等，2012，He等，2015）。在蜱虫分类学领域，这些方法尤为重要，因为物种鉴定仍然高度依赖专家对可能微妙的、可变的或
结论
本研究展示了针对突尼斯五种医学和兽医重要的Hyalomma蜱虫物种的自动化鉴定，所开发的集成YOLOv11-CNN级联框架的开发和评估。通过结合蜱虫检测、属水平过滤、解剖方向识别、性别鉴定和物种水平分类，所提出的方法重现了经典形态学鉴定的顺序逻辑，同时提供了快速标准化的基于图像的
伦理审批
本研究期间未对动物进行任何实验操作。蜱虫标本是在常规寄生虫学调查过程中从家畜身上采集的，所有操作均按照标准兽医实践进行。
未引用参考文献
（Bonnet等，2022，Jomli等，2025）
CRediT作者贡献声明
Amine Mosbah：验证、方法论、概念化。Mourad Ben Said：撰写——审阅与编辑、资金获取、概念化。Moez Mhadhbi：撰写——审阅与编辑、资源、项目管理、调查。Mohamed Aziz Darghouth：撰写——审阅与编辑、撰写——初稿、验证、监督、项目管理、方法论、调查、资金获取、概念化。Essia Sebai：撰写——审阅与编辑、撰写——初稿，
致谢
本研究由研究项目"人工智能和DNA条形码在鉴定具有医学和经济学价值的Hyalomma属蜱虫物种中的应用"（21P2ES-D4P2）、"突尼斯食草动物地方性感染的流行病学：应用于防控"研究实验室（LR16AGR01）、"通信、信号与图像"研究实验室（COSIM）、IDEA实验室：人工智能数据工程应用实验室（LR21ES23）共同资助支持。
Essia Sebai|Nour Elhouda Habessi|Anis Ben Aicha|Sayed Zamiti|Habib Fathallah|Safa Amairia|Amani Jomli|Rihab Romdhane|Mokhtar Dhibi|Amine Mosbah|Mourad Ben Said|Moez Mhadhbi|Mohamed Aziz Darghouth
