Un nuevo enfoque de aprendizaje profundo para la clasificación de especies de mosquitos mediante una estructura de doble cabeza y una arquitectura de fusión consciente de la calibración

Por qué importa identificar mosquitos con mayor precisión

Los mosquitos pueden ser diminutos, pero transmiten algunas de las enfermedades más peligrosas del mundo. Las agencias de salud confían cada vez más en fotos tomadas con teléfonos inteligentes de insectos capturados para rastrear dónde aparecen distintas especies. El problema es que muchos mosquitos se parecen mucho entre sí, y las imágenes tomadas en campo suelen estar borrosas, mal iluminadas o hechas con cámaras muy distintas. Este estudio presenta un nuevo sistema de inteligencia artificial que puede distinguir especies de mosquitos parecidas con precisión de laboratorio, al tiempo que evalúa cuán segura está de cada decisión —una capacidad crucial cuando esas decisiones guían acciones de control de enfermedades en el mundo real.

De las fotos de teléfono a identificaciones fiables

Los investigadores se centran en imágenes que se parecen a las que podría capturar un trabajador de campo o un científico ciudadano: mosquitos enteros fotografiados con teléfonos inteligentes sobre fondos reales y desordenados. Su objetivo es doble. Primero, el sistema debe distinguir correctamente entre ocho categorías, incluyendo varias especies de Aedes y Culex portadoras de enfermedades y un grupo «otro/desconocido». Segundo, debe indicar su confianza en cada predicción de forma que coincida con la realidad, de modo que las autoridades puedan fijar umbrales con seguridad —por ejemplo, decidir cuándo activar una visita de seguimiento a un barrio. Los sistemas mal calibrados pueden sonar seguros pero equivocarse con frecuencia al usarse en nuevas ubicaciones o con distintos tipos de cámara.

Dos vías de visión que trabajan juntas

Para alcanzar estos objetivos, el equipo construye una canalización de análisis de imágenes que combina dos maneras complementarias de «ver». Una vía utiliza redes neuronales convolucionales convencionales (CNN), que sobresalen en captar texturas locales como escamas del cuerpo, franjas y venas de las alas. La otra vía emplea un diseño más reciente llamado Transformer, que es mejor captando la disposición global de las partes del cuerpo en la imagen, como las proporciones de alas, tórax y abdomen. Ambas vías procesan la misma foto del mosquito en paralelo y luego envían sus evaluaciones a un módulo de decisión compartido. Esta configuración diversa ayuda al sistema a mantenerse fiable incluso cuando las fotos varían en postura, enfoque o dispositivo.

Aprender etiquetas tanto detalladas como generales

Una innovación clave radica en cómo se entrena al sistema para pensar en las especies. En lugar de aprender una sola tarea, aprende dos a la vez. Una «cabeza» predice las ocho categorías del conjunto de entrenamiento principal. Una segunda «cabeza» se centra únicamente en diferenciar dos especies de Aedes estrechamente relacionadas que son de particular interés para la salud pública. Al aprender conjuntamente estas distinciones finas y gruesas, el modelo afina los límites entre especies fácilmente confundibles, sin dejar de reconocer el conjunto más amplio. Durante el entrenamiento, los autores también reequilibran deliberadamente los datos para que las especies raras tengan más influencia y el sistema no favorezca simplemente a los mosquitos más comunes.

Convertir puntuaciones crudas en confianza fiable

Otro avance central es cómo el sistema fusiona la información de sus dos vías de visión y sus dos cabezas. En lugar de promediar simplemente sus conjeturas, el modelo aprende cuánto confiar en cada fuente interna en función de su rendimiento pasado, un proceso conocido como apilamiento calibrado. A continuación pasa la puntuación combinada por un ajuste sencillo llamado escalado de temperatura, que afina la nitidez de sus niveles de confianza. El equipo también evalúa cada imagen varias veces usando recortes y volteos ligeramente alterados, promediando los resultados para reducir la variación aleatoria. En conjunto, estos pasos hacen que las puntuaciones de confianza finales se correspondan estrechamente con las tasas reales de error, incluso cuando el sistema se aplica a un conjunto de datos separado que nunca ha visto antes.

Precisión casi perfecta en laboratorio y en campo

Para comprobar su funcionamiento en la práctica, los autores entrenan y ajustan su modelo en una amplia colección de imágenes de teléfono con ocho clases y luego lo evalúan tanto en imágenes reservadas de ese conjunto como en un conjunto de Aedes totalmente separado utilizado únicamente para pruebas. En la tarea original de ocho clases, su método alcanza alrededor del 99,5 por ciento de precisión, superando de manera ligera pero consistente a sólidos modelos individuales y a ensamblajes simples. En el conjunto de prueba de dos especies no visto, identifica correctamente más del 99 por ciento de las imágenes. Igualmente importante, su confianza está bien calibrada: cuando informa un 90 por ciento de certeza, se equivoca solo aproximadamente una vez de cada diez, una propiedad que muchos sistemas previos de reconocimiento de mosquitos no medían ni garantizaban.

Qué significa esto para la salud pública

Para los no especialistas, la conclusión es que este trabajo ofrece no solo un reconocedor de especies altamente preciso, sino otro cuya certeza auto-reportada puede ser confiable. Esa combinación permite a las agencias establecer reglas estables —por ejemplo, «investigar cualquier lugar donde el modelo esté al menos 80 por ciento seguro de haber detectado una especie peligrosa»— y esperar que esas reglas se comporten de forma similar entre distintos teléfonos, regiones y condiciones de iluminación. Aunque siguen existiendo desafíos en casos extremos como insectos muy borrosos u ocultos, el sistema propuesto ofrece una línea base práctica y lista para el despliegue para la vigilancia de mosquitos a gran escala y sienta las bases para herramientas futuras que puedan manejar especies nuevas, dispositivos nuevos e incluso modos de detección adicionales como el sonido.

Cita: 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

Palabras clave: identificación de mosquitos, aprendizaje profundo, vigilancia de vectores, IA calibrada, clasificación de imágenes