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.