Un estudi d’investigadors del grup Scene Understanding and Artificial Intelligence Lab (SUNAI), dels Estudis d’Informàtica, Multimèdia i Telecomunicació de la Universitat Oberta de Catalunya (UOC), ha desenvolupat una tecnologia que aprèn a identificar mosquits per mitjà d’un gran volum de fotografies pujades a una plataforma, Mosquito Alert, realitzades per ciutadania voluntària.
Els mosquits poden ser, a més de molestos per les seves picades, portadors de patògens. L’augment de les temperatures terrestres, a més, facilita que s’expandeixin. És el cas del mosquit tigre, Aedes albopictus, a Espanya. A mesura que aquestes espècies s’expandeixen, també ho fa la ciència dedicada a combatre els problemes que se’ls associa. Així va néixer Mosquito Alert, un projecte de ciència ciutadana coordinat pel Centre d’Estudis Avançats de Blanes, el Centre de Recerca Ecològica i Aplicacions Forestals i la Universitat Pompeu Fabra, en el qual han col·laborat els investigadors de la UOC. Aquest projecte reuneix la informació recollida pels usuaris, els quals, gràcies als seus mòbils, poden fotografiar els mosquits i avisar de la seva presència en una zona. Aquesta informació la processen entomòlegs i experts per confirmar la presència d’una espècie potencialment perillosa i avisar les autoritats pertinents. Amb una senzilla foto i una aplicació, la ciutadania pot contribuir a generar un mapa de distribució de mosquits a escala mundial i ajudar a combatre’ls.
“Mosquito Alert és una plataforma que es va llançar el 2014 per monitorar i controlar els mosquits portadors de malalties”, explica Gereziher Weldegebriel Adhane, que, al costat de Mohammad Mahdí Dehshibi i David Masip, ha participat en el recent estudi. “La identificació dels mosquits és fonamental, ja que les malalties que transmeten continuen sent un problema de salut pública important. El desafiament més gran que trobem en identificar el tipus de mosquit és processar fotos preses en condicions no controlades i per persones voluntàries, que al final no són expertes”, confirmava. Un error molt comú, segons explica, és obtenir una imatge que no estigui realitzada en segon pla amb elements addicionals o des d’un angle que no permet identificar ràpidament l’espècie, o, fins i tot, imatges de mosquits morts, amb patrons del cos del mosquit deformats.
“Els entomòlegs poden identificar mosquits al laboratori analitzant les formes d’ona espectrals del batement de les ales, l’ADN de les larves o les parts morfològiques del cos”, descriu Adhane. “Aquest tipus d’anàlisi depèn en gran manera de l’experiència humana i requereix la col·laboració de múltiples professionals, sol portar molt de temps i no és gaire pràctica a causa de la possible ràpida propagació d’espècies de vectors invasors. A més, aquesta manera d’estudiar poblacions de mosquits no és fàcilment adaptable per identificar grups grans amb experiments realitzats fora de laboratori o amb imatges capturades en condicions no controlades”, afegeix. És aquí on entren les xarxes neuronals com a tecnologia pràctica per estudiar els mosquits.
Les xarxes neuronals consisteixen en un conjunt complex d’unitats computacionals connectades entre si. La informació s’introdueix per un dels seus extrems i la travessa, de manera que es generen nombroses operacions fins que s’obté un resultat. Una de les característiques de les xarxes neuronals és que són processos que poden aprendre, de manera que es formen a si mateixos quan s’entrenen, processant unes dades i instruint la xarxa de la mena de resultat que es busca. Una altra de les característiques principals és la seva capacitat per processar grans quantitats de dades, com, per exemple, les que proporcionen milers de persones voluntàries que identifiquen imatges de mosquits. La xarxa neuronal es pot ensinistrar perquè identifiqui les imatges adequades i detecti petites variacions, que poden ser gairebé imperceptibles per a l’ull humà.
“La inspecció manual per abordar el problema de la identificació de malalties transmeses per mosquits és costosa, requereix molt de temps i és gairebé impossible en entorns que no són de laboratori”, reitera l’investigador de la UOC. “Els sistemes automatitzats per identificar mosquits podrien ajudar a monitorar fàcilment els brots de vectors de malalties. En el cas del projecte Mosquito Alert, vam demostrar com una xarxa neuronal –que pot ser profunda, és a dir, la que té diverses capes ocultes entre les d’entrada i sortida– pot ajudar a identificar el tipus de mosquit a partir d’imatges pujades per la ciutadania a la plataforma.”Els algorismes d’aprenentatge automàtic convencionals resulten ineficients per als grans conjunts de dades obtingudes a partir d’un projecte com aquest, ja que contenen moltes característiques i hi ha una gran similitud en les estructures morfològiques de les espècies de mosquits. No obstant això, els investigadors de la UOC van comprovar a l’estudi que les xarxes neuronals profundes poden emprar-se per distingir les similituds morfològiques entre les espècies de mosquits a partir de les fotografies pujades a l’aplicació mòbil. “La xarxa neuronal que hem desenvolupat pot aconseguir un rendiment similar al d’un expert, i els algorismes són potents per processar les dades massives de les fotografies”, confirma Adhane.
“Quan una xarxa neuronal rep dades d’entrada, els patrons d’informació s’aprenen i alimenten la xarxa, de manera que activen les unitats de les capes ocultes”, resumeix l’investigador sobre el complex procés que s’amaga rere la tecnologia. “La informació arriba a les unitats de sortida per fer la tasca de classificació, la qual cosa es denomina xarxa d’avanç. Cada unitat, és a dir, cada neurona artificial, té uns valors associats a les neurones veïnes. Quan aquest càlcul aconsegueix un llindar específic, la unitat es dispara i activa les que hi estan connectades.” És un procés complex similar a un sistema biològic.
“Perquè una xarxa neuronal aprengui, ha d’haver-hi alguna mena de retroalimentació, per reduir la diferència entre els valors reals i els predits per l’operació computacional. La xarxa se sotmet a l’entrenament fins que els investigadors determinen que el seu rendiment és satisfactori, com ha succeït amb el projecte Mosquito Alert”, aclareix l’investigador de la UOC.
“El model que desenvolupem es podria usar en aplicacions pràctiques amb petites modificacions per funcionar en aplicacions mòbils”, detalla Adhane. Encara que queda molta feina de desenvolupament per fer, l’investigador conclou que “usant la xarxa entrenada és possible fer prediccions sobre les imatges dels mosquits preses amb els telèfons intel·ligents de manera eficaç i en temps real”.
