نهج تعلم عميق جديد لتصنيف أنواع البعوض عبر هيكل ذي رأسين وبنية دمج واعية بالمعايرة

لماذا يهم تحديد البعوض بشكل أذكى

قد يكون البعوض صغيرًا، لكنه ينشر بعض أخطر الأمراض في العالم. تعتمد وكالات الصحة بشكل متزايد على صور الهواتف الذكية للحشرات المحبوسة لتتبع أماكن ظهور الأنواع المختلفة. المشكلة أن العديد من أنواع البعوض تبدو متشابهة للغاية، وغالبًا ما تكون الصور الملتقطة ميدانيًا ضبابية أو سيئة الإضاءة أو مأخوذة بكاميرات مختلفة. تقدم هذه الدراسة نظام ذكاء اصطناعي جديدًا قادرًا على تمييز أنواع البعوض المتشابهة بدقة مختبرية، مع معرفة درجة اليقين في كل قرار—وهي قدرة حاسمة عندما تُوجَّه تلك القرارات لإجراءات مكافحة الأمراض في العالم الواقعي.

من صور الهواتف إلى تعريفات موثوقة

يركز الباحثون على صور تشبه ما قد يلتقطه عامل ميداني أو عالم مواطن: بعوض كامل مصور بهواتف ذكية على خلفيات فوضوية من العالم الحقيقي. الهدف مزدوج. أولًا، يجب أن يميز النظام بشكل صحيح بين ثماني فئات، بما في ذلك عدة أنواع ناقلة للأمراض من جنسَي Aedes وCulex ومجموعة «أخرى/مجهولة». ثانيًا، يجب أن يشير إلى ثقته في كل توقّع بطريقة تتوافق مع الواقع، حتى تتمكن الجهات المسؤولة من وضع عتبات آمنة، مثل تحديد متى تُستدعى زيارة متابعة لمنطقة ما. الأنظمة غير المعايرة قد تبدو واثقة لكنها غالبًا ما تكون خاطئة عند استخدامها في أماكن جديدة أو بكاميرات مختلفة.

مساران بصريان يعمَلان معًا

لتحقيق هذه الأهداف، تبني الفريق خط أنابيب لتحليل الصور يجمع طريقتين مكملتين لـ«الرؤية». يستخدم أحد المسارين الشبكات العصبية الالتفافية التقليدية (CNNs)، والتي تتفوق في التقاط القوام المحلية مثل قشور الجسم، والخطوط، وعروق الأجنحة. يستخدم المسار الآخر تصميمًا أحدث يُدعى Transformer، وهو أفضل في التقاط الترتيب العام لأجزاء الجسم عبر الصورة، مثل نسب الأجنحة والصدر والبطن. يعالج كلا المسارين نفس صورة البعوضة بالتوازي، ثم يقدمان تقييماتهما إلى وحدة قرار مشتركة. يساعد هذا التنوع في الحفاظ على موثوقية النظام حتى عندما تختلف الصور في الوضعية أو التركيز أو الجهاز.

تعلّم التسميات التفصيلية والعامة معًا

تكمن ابتكار رئيسي في طريقة تدريب النظام على التفكير بشأن الأنواع. بدلاً من تعلّم مهمة واحدة فقط، يتعلّم مهمتين في آن واحد. يتنبأ أحد «الرؤوس» بجميع الفئات الثماني في مجموعة التدريب الرئيسية. يركّز «رأس» ثاني فقط على التمييز بين نوعي Aedes المرتبطين ارتباطًا وثيقًا واللذين يحظيان بأهمية خاصة للصحة العامة. من خلال تعلّم هذه الفروق الدقيقة والعامة معًا، يشحذ النموذج الحدود بين الأنواع المتشابهة بسهولة بينما يظل يعترف بالمجموعة الأوسع. أثناء التدريب، يعمد المؤلفون أيضًا إلى إعادة موازنة البيانات عمدًا بحيث تحظى الأنواع النادرة بتأثير أكبر ولا يفضّل النظام ببساطة أكثر أنواع البعوض شيوعًا.

تحويل الدرجات الخام إلى ثقة موثوقة

تقدّم تقدمًا مركزيًا آخر في كيفية دمج النظام للمعلومات من مساري الرؤية والرأسين. بدلًا من مجرد متوسط توقعاتهم، يتعلم النموذج مدى الثقة التي يجب أن يمنحها لكل مصدر داخلي بناءً على الأداء الماضي، وهي عملية تُعرف بالـ calibrated stacking (التكديس المعاير). ثم يمرر النتيجة المجمعة عبر خطوة تعديل بسيطة تسمى مقياس الحرارة (temperature scaling)، التي تضبط حدة مستويات الثقة. يختبر الفريق كل صورة عدة مرات باستخدام اقتصاصات وتقلبات خفيفة، ويُعدّل النتائج لتقليل التباين العشوائي. معًا، تجعل هذه الخطوات درجات الثقة النهائية تطابق معدلات الخطأ الحقيقية عن قرب، حتى عند تطبيق النظام على مجموعة بيانات منفصلة لم يرها من قبل.

دقة شبه كاملة في المختبر والميدان

لاختبار فعالية هذا الأسلوب عمليًا، درّب المؤلفون وضبّطوا نموذجهم على مجموعة كبيرة من صور الهواتف الذكية ذات ثماني فئات ثم قيّموه على صور محجوزة من تلك المجموعة وعلى مجموعة Aedes منفصلة استُخدمت للاختبار فقط. في مهمة الفئات الثماني الأصلية، يصل أسلوبهم إلى حوالي 99.5 بالمئة دقة، متفوقًا بشكل طفيف لكن ثابت على نماذج قوية منفردة والتجمعات البسيطة. في مجموعة الاختبار غير المرئية المكوّنة من نوعين، يحدد النموذج بصورة صحيحة أكثر من 99 بالمئة من الصور. ومهم بنفس القدر، أن ثقته معايرة جيدًا: عندما يبلغ عن درجة ثقة 90 بالمئة، يكون مخطئًا فقط تقريبًا مرة واحدة من كل عشرة—خاصية لم تقِسها أو تضمنها العديد من أنظمة التعرف على البعوض السابقة.

ماذا يعني هذا للصحة العامة

لغير المتخصصين، الخلاصة أن هذا العمل يوفّر ليس فقط متعرّفًا على الأنواع بدقة عالية، بل واحدًا يمكن الوثوق في يقينه المُبلَّغ عنه ذاتيًا. يسمح هذا المزيج للوكالات بوضع قواعد مستقرة—مثل «التحقق من أي موقع يبلّغ فيه النموذج عن 80 بالمئة على الأقل من اليقين لرؤية نوع خطير»—وتوقع أن تعمل هذه القواعد بشكل مشابه عبر هواتف ومناطق وظروف إضاءة مختلفة. ومع بقاء تحديات في الحالات المتطرفة مثل الحشرات الضبابية جدًا أو المحجوبة بشدة، يقدم النظام المقترح أساسًا عمليًا قابلًا للنشر للمراقبة واسعة النطاق للبعوض ويُمهِّد الطريق لأدوات مستقبلية قادرة على التعامل مع أنواع جديدة، وأجهزة جديدة، وحتى أوضاع استشعار إضافية مثل الصوت.

الاستشهاد: Nazari, M.Z., Zarchi, M.S., Emadi, S. et al. A novel deep learning approach for mosquito species classification via a dual-head structure and calibration-aware fusion architecture. Sci Rep 16, 7208 (2026). https://doi.org/10.1038/s41598-026-35453-1

الكلمات المفتاحية: تحديد البعوض, التعلم العميق, مراقبة النواقل, الذكاء الاصطناعي المعاير, تصنيف الصور