Une nouvelle approche d’apprentissage profond pour la classification des espèces de moustiques via une architecture à double tête et une fusion sensible à la calibration

Pourquoi une identification des moustiques plus intelligente est importante

Les moustiques sont minuscules, mais ils transmettent certaines des maladies les plus dangereuses au monde. Les agences de santé s’appuient de plus en plus sur des photos prises au smartphone d’insectes piégés pour suivre l’apparition des différentes espèces. Le problème est que beaucoup de moustiques se ressemblent beaucoup, et les images prises sur le terrain sont souvent floues, mal éclairées ou capturées avec des appareils très variés. Cette étude présente un nouveau système d’intelligence artificielle capable de distinguer des espèces de moustiques proches avec une précision de niveau laboratoire, tout en estimant la confiance de chaque décision — une capacité cruciale lorsque ces décisions guident des actions de lutte contre les maladies sur le terrain.

Des photos de téléphone à des identifications fiables

Les chercheurs se concentrent sur des images qui ressemblent à ce qu’un agent de terrain ou un scientifique citoyen pourrait capturer : des moustiques entiers photographiés au smartphone sur des arrière‑plans encombrés et réalistes. Leur objectif est double. D’une part, le système doit distinguer correctement huit catégories, incluant plusieurs espèces porteuses de maladies des genres Aedes et Culex et un groupe « autre/inconnu ». D’autre part, il doit indiquer sa confiance dans chaque prédiction d’une manière qui reflète la réalité, afin que les responsables puissent fixer des seuils sûrs — par exemple décider quand déclencher une visite de contrôle dans un quartier. Les systèmes mal calibrés peuvent sembler certains mais se tromper fréquemment lorsqu’ils sont utilisés dans de nouveaux lieux ou avec d’autres types d’appareils.

Deux voies visuelles qui collaborent

Pour atteindre ces objectifs, l’équipe construit une chaîne d’analyse d’image qui combine deux manières complémentaires de « voir ». Une voie utilise des réseaux neuronaux convolutionnels (CNN) classiques, excellents pour repérer des textures locales comme les écailles du corps, les bandes et les nervures des ailes. L’autre voie emploie une conception plus récente appelée Transformer, mieux adaptée à la capture de l’arrangement global des parties du corps dans l’image, comme les proportions des ailes, du thorax et de l’abdomen. Les deux voies traitent en parallèle la même photo de moustique, puis transmettent leurs évaluations à un module de décision commun. Cette configuration diversifiée aide le système à rester fiable même lorsque les photos varient en pose, mise au point ou appareil.

Apprendre à la fois des étiquettes détaillées et globales

Une innovation clé réside dans la façon dont le système est entraîné à considérer les espèces. Plutôt que d’apprendre une seule tâche, il en apprend deux simultanément. Une « tête » prédit les huit catégories de l’ensemble d’entraînement principal. Une seconde « tête » se concentre uniquement sur la distinction de deux espèces proches du genre Aedes qui présentent un intérêt particulier pour la santé publique. En apprenant conjointement ces distinctions fines et grossières, le modèle affine les frontières entre espèces facilement confondues tout en reconnaissant l’ensemble plus large. Lors de l’entraînement, les auteurs rééquilibrent également délibérément les données afin que les espèces rares aient plus d’influence et que le système ne favorise pas simplement les moustiques les plus courants.

Transformer des scores bruts en confiances dignes de confiance

Un autre progrès central porte sur la manière dont le système fusionne l’information de ses deux voies visuelles et de ses deux têtes. Plutôt que de simplement faire la moyenne de leurs estimations, le modèle apprend à quel point il doit faire confiance à chaque source interne en fonction de ses performances passées, un processus connu sous le nom de calibrated stacking (empilement calibré). Il soumet ensuite le score combiné à une simple étape d’ajustement appelée temperature scaling, qui affine la netteté des niveaux de confiance. L’équipe teste aussi chaque image plusieurs fois en utilisant des recadrages et des retournements légèrement modifiés, en moyennant les résultats pour réduire la variation aléatoire. Ensemble, ces étapes font que les scores de confiance finaux correspondent étroitement aux taux d’erreur réels, même lorsque le système est appliqué à un jeu de données séparé qu’il n’a jamais vu auparavant.

Précision quasi parfaite en laboratoire et sur le terrain

Pour évaluer l’efficacité pratique, les auteurs entraînent et paramètrent leur modèle sur une grande collection d’images smartphone à huit classes, puis l’évaluent à la fois sur des images mises de côté de ce même ensemble et sur un jeu de données Aedes entièrement séparé utilisé uniquement pour les tests. Sur la tâche originale à huit classes, leur méthode atteint environ 99,5 % de précision, dépassant légèrement mais de façon constante de solides modèles simples et des ensembles basiques. Sur le jeu de test inconnu portant sur deux espèces, elle identifie correctement plus de 99 % des images. Tout aussi important, sa confiance est bien calibrée : lorsqu’elle annonce 90 % de certitude, elle se trompe seulement environ une fois sur dix, une propriété que de nombreux systèmes précédents de reconnaissance de moustiques n’ont pas mesurée ou garantie.

Ce que cela signifie pour la santé publique

Pour les non‑spécialistes, la conclusion est que ce travail fournit non seulement un reconnaisseur d’espèces très précis, mais aussi un outil dont l’auto‑évaluation de la certitude peut être mise en confiance. Cette combinaison permet aux agences de définir des règles stables — par exemple « enquêter sur tout lieu où le modèle est au moins sûr à 80 % d’avoir détecté une espèce dangereuse » — et d’attendre un comportement similaire à travers différents téléphones, régions et conditions d’éclairage. Bien que des défis subsistent dans des cas extrêmes comme des insectes très flous ou fortement masqués, le système proposé offre une base pratique prête au déploiement pour la surveillance à grande échelle des moustiques et jette les bases d’outils futurs capables de gérer de nouvelles espèces, de nouveaux appareils et même des modes de détection supplémentaires tels que le son.

Citation: 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

Mots-clés: identification des moustiques, apprentissage profond, surveillance des vecteurs, IA calibrée, classification d’images