Бразильские исследователи разработали компьютерную программу, которая с помощью искусственного интеллекта находит плавательные бассейны и резервуары для воды на крышах на аэрофотоснимках, чтобы помочь определить области, уязвимые для заражения паразитами. Aedes aegypti комар, который переносит лихорадку денге, Зика, чикунгунья и желтую лихорадку.
Инновация, которую также можно использовать в качестве инструмента государственной политики для динамического социально-экономического картографирования городских территорий, стала результатом научно-исследовательских работ специалистов Университета Сан-Паулу (USP), Федерального университета Минас-Жерайс (UFMG). и Управление по контролю за эндемическими заболеваниями Департамента здравоохранения штата Сан-Паулу (SUCEN) в рамках проекта, поддерживаемого FAPESP. Статья об этом опубликована в журнале ПЛОС ОДИН.
Наша работа изначально заключалась в создании модели на основе аэрофотоснимков и компьютерных наук для обнаружения резервуаров с водой и бассейнов и использования их в качестве социально-экономического индикатора».
Франсиско Кьяраваллоти Нето, последний автор статьи
Он профессор кафедры эпидемиологии Школы общественного здравоохранения USP (FSP) с первой степенью инженера.
Как отмечается в статье, предыдущие исследования уже показали, что лихорадка денге, как правило, наиболее распространена в бедных городских районах, поэтому профилактика лихорадки денге, вируса Зика и других болезней, передающихся комарами, может быть значительно более эффективной за счет использования относительно динамичной социально-экономической ситуации. экономическая картографическая модель, особенно с учетом длительного интервала между переписями населения в Бразилии (десять и более лет).
«Это один из первых шагов в более широком проекте», — сказал Кьяраваллоти Нето. Помимо прочего, он и его команда планируют обнаружить другие элементы изображений и количественно оценить реальные уровни заражения в определенных областях, чтобы иметь возможность уточнить и проверить модель.
«Мы хотим создать блок-схему, которую можно будет использовать в разных городах для точного определения зон риска без необходимости посещения инспекторами домов, зданий и других мест размножения, поскольку это отнимает много времени и является пустой тратой денег налогоплательщиков. ,» добавил он.
Машинное обучение
В предыдущем исследовании использовался искусственный интеллект (ИИ) для обнаружения резервуаров с водой и бассейнов в Белу-Оризонти, столице штата Минас-Жерайс. Исследователи сначала представили спутниковые снимки города компьютерному алгоритму с уже идентифицированными резервуарами и бассейнами. Затем программа глубокого обучения обнаружила на изображениях закономерности, которые позволили бы обнаружить их где угодно, и со временем приобрела способность самостоятельно различать резервуары и бассейны на фотографиях.
«Это настоящее машинное обучение, подобласть ИИ», — сказал Джефферссон Алекс душ Сантуш, профессор кафедры компьютерных наук UFMG и основатель Лаборатории распознавания образов и наблюдения за Землей (PATREO).
В более позднем исследовании основное внимание уделялось Кампинасу, третьему по численности населения городу в штате Сан-Паулу. Были выбраны четыре района, каждый с различными социально-экономическими условиями по данным переписи. Дрон с камерой высокого разрешения сделал аэрофотоснимки местности, и были созданы два набора данных: один для резервуаров с водой, а другой для бассейнов.
Следующим шагом стало обучение модели и перенос полученных уроков. «Мы обучили модель в Белу-Оризонти и применили ее в Кампинасе, — сказал Сантос. Благодаря изображениям, полученным в Кампинасе, модель стала более надежной для региона, достигнув показателей точности 90,23% и 87,53% для бассейнов и резервуаров соответственно.
Социально-экономический показатель
Когда алгоритм был полностью обучен, исследователи использовали другие изображения для обнаружения резервуаров и бассейнов в четырех выбранных районах Кампинаса и сопоставляли их с данными переписи. Результаты анализа показали большее количество резервуаров на крыше на квадратный метр в более бедных районах и больше бассейнов в более богатых районах.
Даже эти предварительные данные оказались полезными для предсказания вероятных мест размножения А. эгипти. «Это не окончательная методология, но она может служить основой для относительно простого практического применения, такого как разработка программного обеспечения для картографирования городских районов с высоким риском вспышек денге», — сказал Сантос.
По словам Кьяраваллоти Нето, эту модель можно использовать не только для борьбы с лихорадкой денге и другими болезнями, переносимыми комарами. «Страна обновляет свою социально-экономическую базу данных примерно каждые десять лет при каждой переписи населения. Наш метод можно использовать для более частых обновлений, которые, в свою очередь, можно использовать для борьбы с другими заболеваниями и проблемами», — сказал он, добавив, что больше маркеров можно найти в будущих исследованиях на основе аэрофотоснимков, чтобы уточнить алгоритмы и сделать их еще более точными.
Снимки с дрона или со спутника?
Хотя аэрофотоснимки Кампинаса были сделаны с помощью дрона, исследователи ожидают, что в окончательной методологии будут использоваться спутниковые снимки. «Мы использовали беспилотник, потому что это был пилотный проект, но широкомасштабное дистанционное зондирование и сканирование с помощью дронов обходятся дорого», — сказал Кьяраваллоти Нето.
«Кроме того, у дронов относительно небольшой радиус действия», — добавил Сантос. «Для крупномасштабного проекта в крупном городе нам понадобятся спутниковые снимки». В съемке Белу-Оризонти успешно использовались спутниковые снимки. Это должны быть изображения с высоким разрешением, чтобы программное обеспечение могло распознавать закономерности. По его словам, доступ к этому типу изображений, к счастью, становится проще.
Эта методология может показаться дорогостоящей, но на самом деле она экономит время и деньги, позволяя избежать личных визитов на дом для картирования потенциальных нерестилищ. Вместо этого городские работники здравоохранения могут использовать данные, полученные удаленно и обработанные ИИ, чтобы более уверенно выбирать приоритетные области для физического осмотра.
Следующие шаги
В настоящее время модель не может определить, правильно ли закрыты резервуары для воды и обрабатываются ли бассейны, чтобы комары не откладывали в них яйца. «Методология может быть усовершенствована, чтобы можно было различать должным образом обработанные резервуары, бассейны и т. д., а также другие объекты, которые могут служить или служат местом размножения комаров», — сказал Кьяраваллоти Нето. Обнаружение таких паттернов и других признаков потенциального размножения сделало бы алгоритм еще более полезным для отделов здравоохранения.
В настоящее время исследователи устанавливают ловушки для отлова комаров примерно на 200 уличных кварталах в Кампинасе. Состояние объектов тщательно оценивается, в частности, чтобы предсказать вероятность размножения комаров. Также будут проанализированы социально-экономические показатели. Следующим шагом будет оценка аэрофотоснимков территорий с использованием описанной выше логики для классификации риска присутствия А. эгипти и болезни, которые он передает.
«Наблюдая за этими городскими районами, мы создадим модель, в которой приоритет отдается мерам по борьбе с лихорадкой денге для всего города, а затем и для остальной части Бразилии», — сказал Кьяраваллоти Нето.
Помимо FAPESP, исследователи финансировались Институтом Серрапильейра, Национальным советом по научно-техническому развитию (CNPq), Офисом проректора USP по исследованиям и FAPEMIG, Исследовательским агентством штата Минас-Жерайс. Компания SUCEN оказала структурную поддержку.