媒传疾病(VBDs)是全球公共卫生的重大威胁,约80%的人口面临至少一种媒传疾病的风险。蚊子、蜱虫、螺类等病媒生物携带病毒、细菌和寄生虫,导致疟疾、登革热、血吸虫病、裂谷热等传染病的蔓延。然而,当前依赖人工识别病媒生物的方式既耗时又高度依赖专家经验,阻碍了疾病防控的效率。深度学习作为新兴的人工智能技术,在病媒生物图像识别领域的应用具有巨大潜力。
近日,我所研究团队在国际期刊《Pest Management Science》(IF=3.8/中科院1区)上发表了题为“Deep Learning in Disease Vector Image Identification”的综述论文,揭示了深度学习技术在病媒生物识别中的应用潜力,为未来的病媒控制技术提供了重要的参考。
深度学习具有自动特征提取能力,相比于传统机器学习,无需使用大量预处理方法的情况下,能够高效识别病媒生物图像。深度学习技术不仅可以进行物种鉴定和目标检测,实现病媒生物的智能化快速监测,还可以利用卫星图像,无人机等技术自动识别潜在的病媒孳生地,大大提高了病媒生物监测的效率,尤其是高风险地区。能够为政府和公共卫生部门提供针对性控制措施的科学依据。深度学习技术集成于智能识别系统可以大大减轻防控人员的监测负担,更广泛的让民众参与其中。但该技术也面临高质量现场数据集匮乏、模型泛化能力不足、应用场景局限等问题,需要提高现场数据集数量和质量,结合元学习、度量学习等技术来应对挑战。
南京医科大学研究生白少文、江苏省血吸虫病防治研究所施亮主管医师为本文共同第一作者,杨坤研究员为本文通讯作者。全文链接:https://doi.org/10.1002/ps.8473
2024.11.07
2024.11.05
2024.10.25
2024.10.16
2024.09.24
2024.09.24
2024.08.21
2024.07.09
2024.07.08
2024.07.08