DETECCIÓN DEL VECTOR AEDES

AEGYPTI Y AEDES ALBOPICTUS A

TRAVÉS DE APRENDIZAJE

PROFUNDO

Rogelio Adrian Hernandez Becerril

PHOTO BY ALVESGASPAR / CC BY-SA 3.0

CONTENIDO

Impacto Global

Objetivo General

Objetivos Específicos

Transmisión

Prevención y Control

Metodología

Resultados de Encuesta

Conclusiones

IMPACTO GLOBAL

(Imagen) http://www.who.int/topics/dengue/es/

390 millones de infecciones por dengue cada

año (intervalo creíble del 95%: 284 a 528

millones), de los cuales 96 millones (67 a 136

millones) se manifiestan clínicamente (cualquiera

que sea la gravedad de la enfermedad). En otro

estudio sobre la prevalencia del dengue se estima

que 3900 millones de personas, de 128 países,

están en riesgo de infección por los virus del

dengue

Organización Mundial de la Salud (OMS)

(2018, February 2)

OBJETIVO GENERAL

Desarrollar algoritmos que permitan reconocer de manera automática el vector Aedes aegypti y Aedes

albopictus en su estado larvario. Para la detección automática se utilizarán algoritmos de procesamiento de

imágenes y algoritmos de aprendizaje automático a través de aprendizaje profundo.

OBJETIVOS ESPECIFICOS• Generar una base de datos de entrenamiento, desarrollo y prueba de imágenes de muestras enfocadas

en las sedas del octavo segmento de la larva, tomadas a través de un microscopio de 60x. Mínimo se

contarán con 500 imágenes.

• Algoritmos de procesamiento de imágenes para reducir el ruido generado por dispositivos de captura de

imagen como lo son microscopio y cámara digital. Procesamiento de la imagen en sus diferentes canales

para reducir el error total en la clasificación.

• Algoritmos de aprendizaje máquina a través de aprendizaje profundo para la detección automática del

vector Aedes aegypti y Aedes albopictus en su estado larvario. Para la clasificación se utilizarán redes

neuronales convolucionales.

• Optimización de los algoritmos de procesamiento de imágenes y de aprendizaje máquina. Reducción de

falsos positivos y falsos negativos en los algoritmos de clasificación. Para considerar como exitosa la

clasificación será necesario un F1-score de al menos .8.

TRANSMISION

El vector principal del dengue es el mosquito Aedes aegypti. El virus se transmite a los seres humanos por la

picadura de mosquitos hembra infectadas. Tras un periodo de incubación del virus que dura entre 4 y 10 días, un

mosquito infectado puede transmitir el agente patógeno durante toda la vida.

PREVENCIÓN Y CONTROL

• Hoy por hoy, el único método para controlar o prevenir la transmisión del virus del dengue consiste en

luchar contra los mosquitos vectores:

• evitar que los mosquitos encuentren lugares donde depositar sus huevecillos aplicando el ordenamiento

y la modificación del medio ambiente;

• eliminar correctamente los desechos sólidos y los posibles hábitats artificiales;

• cubrir, vaciar y limpiar cada semana los recipientes donde se almacena agua para uso doméstico:

• aplicar insecticidas adecuados a los recipientes en que se almacena agua a la intemperie;

• utilizar protección personal en el hogar, como mosquiteros en las ventanas, usar ropa de manga larga,

materiales tratados con insecticidas, espirales y vaporizadores;

• mejorar la participación y movilización comunitarias para lograr el control constante del vector;

• durante los brotes epidémicos, las medidas de lucha antivectorial de emergencia pueden incluir la

aplicación de insecticidas mediante el rociamiento.

• se debe vigilar activamente los vectores para determinar la eficacia de las medidas de control.

Un adecuado control vectorial hará una diferencia

sustancial en la reducción de casos y serotipos

circulantes, por lo que el mejorar la calidad y

velocidad del control vectorial es pieza clave para

contener las enfermedades que porta el vector y

anticiparse a ellas. Además de ello, es importante el

brindar técnicas de control vectorial eficaces y de

bajo costo a poblaciones vulnerables en zonas

aisladas y rurales, que cuentan con dificultades para

la erradicación del vector por desconocimiento o

falta de infraestructura.

METODOLOGÍA

Identificación del vector de forma automática a través de capturas de imágenes

de larvas recolectadas por medio de un teléfono celular con un microscopio 60x.

Para la automatización de la detección se utilizará aprendizaje profundo. En

el aprendizaje profundo, cada nivel aprende a transformar sus datos de

entrada en una representación un poco más abstracta y compuesta.

Para la detección del vector estamos considerando que pueda extraer las

características de las sedas del octavo segmento de la larva.

CLASIFICACIÓN

Existen diferentes formas de clasificar los mosquitos, en este trabajo vamos a tomar parte del trabajo realizado en [1]

para la clasificación, utilizando el octavo segmento (VIII) de la larva, donde se puede observar el patrón en las

siguientes figuras:

El patrón del octavo segmento (VIII) se puede usar para

discriminar larvas del género Aedes de otros géneros. El patrón

del octavo segmento de otros géneros se puede ver en la Figura

3.

La base de datos cuenta con aproximadamente 300 imágenes de larvas, que son 102 imágenes de Aedes y 208 imágenes de "No

Aedes". Todas las larvas utilizadas para generar los conjuntos de datos se identificaron previamente y se clasificaron en el

Laboratorio de Salud Pública del Estado de Hidalgo en México basado en el artículo [1].

[1] Sanchez-Ortiz, A & Fierro, Atoany & Arista-Jalife, A & Cedillo-Hernandez, M & Nakano-Miyatake, M &

Robles-Camarillo, Daniel & Cuatepotzo-Jimenez, V. (2017). Mosquito larva classification method based on

convolutional neural networks. 1-6. 10.1109/CONIELECOMP.2017.7891835.

RESULTADOS DE ENCUESTA

Se realizó una encuesta dentro de Facebook para poder validar cuantas personas se encuentran en riesgo, la muestra no es significativa, pero nos puede dar una idea sobre todo del conocimiento de la población de enfermedades como el dengue o el Zika.

CONCLUSIONES Y RECOMENDACIONES

De la muestra recolectada de encuestas lo que pudimos observar es el gran número de personas que viajan a zonas de riesgo tanto en el interior como al exterior de la Republica Mexicana. Un 30% de la población encuestada comento no conocer sobre los riesgos y métodos para prevenir enfermedades por mosquitos y el 60% de la población no utiliza ningún mecanismo para evitar picaduras de mosquito. En base a esta encuesta podemos concluir la importancia de tener mecanismos eficaces para la erradicación de dichas enfermedades. Como siguientes pasos dentro de la investigación será realizar los pasos descritos en el cronograma para desarrollar un sistema de aprendizaje maquina que permita identificar la larva portadora de enfermedades. De esta manera podremos prevenir la transmisión del virus del dengue en zonas de riesgo.

REFERENCIASAngermueller, C., Pärnamaa, T., Parts, L., & Stegle, O. (2016). Deep learning for computational biology. Molecular Systems Biology, 12(7), 878.

Bhatt S, Gething PW, Brady OJ, Messina JP, Farlow AW, Moyes CL et.al. The global distribution and burden of dengue. Nature;496:504-507.

Brady OJ, Gething PW, Bhatt S, Messina JP, Brownstein JS, Hoen AG et al. Refining the global spatial limits of dengue virus transmission by evidence-

based consensus. PLoS Negl Trop Dis. 2012;6:e1760. doi:10.1371/journal.pntd.0001760.

Díaz-Quiñonez, J. A., López-Martínez, I., Torres-Longoria, B., Vázquez-Pichardo, M., Cruz-Ramírez, E., Ramírez-González, J. E., … Kuri-Morales, P. (2016).

Evidence of the presence of the Zika virus in Mexico since early 2015. Virus Genes, 52(6), 855–857.

Leparc-Goffart, I., Nougairede, A., Cassadou, S., Prat, C., & Lamballerie, X. de. (2014). Chikungunya in the Americas. The Lancet, 383(9916), 514.

Organización Mundial de la Salud (OMS). (2018, February 2). OMS. Retrieved from Dengue y dengue grave: http://www.who.int/es/news-room/fact-

sheets/detail/dengue-and-severe-dengue

Patterson, J., Sammon, M., & Garg, M. (2016). Dengue, Zika and Chikungunya: Emerging Arboviruses in the New World. Western Journal of Emergency

Medicine, 17(6), 671–679.

Rampasek, L., & Goldenberg, A. (2016). TensorFlow: Biology’s Gateway to Deep Learning? Cell Systems, 2(1), 12–14.

Sanchez-Ortiz, A & Fierro, Atoany & Arista-Jalife, A & Cedillo-Hernandez, M & Nakano-Miyatake, M & Robles-Camarillo, Daniel & Cuatepotzo-Jimenez, V.

(2017). Mosquito larva classification method based on convolutional neural networks. 1-6. 10.1109/CONIELECOMP.2017.7891835.

Shepard, D. S., Undurraga, E. A., Halasa, Y. A., & Stanaway, J. rey D. (2016). The global economic burden of dengue: a systematic analysis. Lancet

Infectious Diseases, 16(8), 935–941.