גישה חדשה בלמידה עמוקה לסיווג מיני יתושים באמצעות מבנה בעל שתי ראשים ואדריכלות מיזוג מודעת כיול

מדוע זיהוי יתושים חכם יותר חשוב

יתושים אולי זעירים, אך הם מפיצים חלק מהמחלות המסוכנות ביותר בעולם. גופי בריאות מסתמכים יותר ויותר על תמונות מטלפונים חכמים של חרקים מלכודים כדי לעקוב היכן מופיעות מינים שונים. הבעיה היא שרבים מהיתושים נראים זהים למדי, ותמונות שנלקחות בשטח לעתים מטושטשות, עם תאורה גרועה או מצולמות במצלמות שונות. המחקר הזה מציג מערכת בינה מלאכותית חדשה שיכולה להבחין בין מינים דומים של יתושים ברמת מעבדה, ובמקביל לדעת עד כמה היא בטוחה בכל החלטה — יכולת קריטית כאשר החלטות אלה מנחות פעולות במציאות.

מתמונות טלפון לזהויות אמינות

החוקרים מתמקדים בתמונות הדומות לאלו שעובד שטח או מדען אזרחי עשוי לצלם: יתושים שלמים שצולמו בטלפונים חכמים על רקעים מבולגנים מהעולם האמיתי. המטרה שלהם כפולה. ראשית, המערכת צריכה להבחין נכון בין שמונה קטגוריות, כולל כמה מיני Aedes ו-Culex נושאי מחלות וקבוצת "אחר/לא ידוע". שנית, היא חייבת לציין את רמת הביטחון בכל חיזוי בצורה התואמת את המציאות, כדי שמקבלי ההחלטות יוכלו להגדיר ספים בטוחים — למשל מתי להפעיל ביקור המשך בשכונה. מערכות שאינן מכוילות היטב עלולות להישמע בטוחות אבל לטעות בתדירות גבוהה כאשר משתמשים בהן במקומות חדשים או עם סוגי מצלמות שונים.

שתי דרכי ראייה שעובדות יחד

כדי להשיג מטרות אלה, הצוות בונה צינור ניתוח תמונה שמשלב שתי דרכים משלימות ל"ראות". דרך אחת משתמשת ברשתות עצביות קונבולוציוניות (CNN), שמצטיינות בזיהוי מרקמים מקומיים כגון קשקשי גוף, פסים ונימים בכנפיים. הדרך השנייה משתמשת בעיצוב חדשני יותר הנקרא Transformer, שמקליט טוב יותר את הסידור הכללי של חלקי הגוף בתמונה, כמו פרופורציות הכנפיים, החזה והבטן. שתי הדרכים מעבדות את אותה תמונת יתוש במקביל, ואז מעבירות את ההערכות שלהן למודול החלטה משותף. המערכת המגוונת הזו מסייעת לשמור על אמינות גם כשהתמונות משתנות בהבעה, בפוקוס או במכשיר הצילום.

לימוד תוויות מפורטות וגסות יחד

חידוש מרכזי טמון באופן שבו המערכת מאומנת לחשוב על מינים. במקום ללמוד משימה אחת בלבד, היא לומדת שתי משימות במקביל. "ראש" אחד חוזה את כל שמונת הקטגוריות במערכת האימון הראשית. "ראש" שני מתמקד רק בהבחנה בין שני מיני Aedes קרובים שמעניינים במיוחד בריאות הציבור. על ידי לימוד משותף של ההבחנות הדקות והגסות האלה, המודל מצליח לחדד את הגבולות בין מינים שמבלבלים זה את זה תוך שמירה על ידע על קבוצה רחבה יותר. במהלך האימון מחברי הצוות גם מאזנים את הנתונים בכוונה כך שמינים נדירים ישקלו יותר ולא תיווצר הטייה לטובת היתושים הנפוצים ביותר.

הפיכת ציונים גולמיים לביטחון מהימן

התקדמות מרכזית נוספת היא האופן שבו המערכת ממזגת מידע מהשתי דרכי הראייה ומהשניים ראשים. במקום פשוט למוצע את הניחושים, המודל לומד עד כמה ניתן לסמוך על כל מקור פנימי בהתבסס על ביצועים בעבר — תהליך שמוכר כ"הגבהה מכוילת" (calibrated stacking). לאחר מכן הוא מעביר את הציון המשולב דרך שלב התאמה פשוט הנקרא קנה מידה של טמפרטורה (temperature scaling), שמדייק את חדות רמות הביטחון. הצוות גם בודק כל תמונה מספר פעמים עם חיתוכים והיפוכים קלים, וממוצע התוצאות מפחית וריאציה אקראית. יחד שלבים אלה גורמים לציוני הביטחון הסופיים להתאים בצורה הדוקה לשיעורי השגיאה האמיתיים, אפילו כאשר המערכת מופעלת על מערך נתונים נפרד שמעולם לא נחשפה אליו.

דיוק כמעט מושלם במעבדה ובשטח

להערכת הביצועים, המחברים מאמנים ומדייקים את המודל על אוסף תמונות גדול בן שמונה קטגוריות מהטלפון החכם ולאחר מכן בוחנים אותו על תמונות שנשמרו בצד מאותו אוסף וגם על מערך נתונים נפרד של Aedes שהוגדר אך ורק למבחן. במשימת שמונה הקטגוריות המקורית השיטה שלהם מגיעה לדייקנות של כ-99.5 אחוז, מעט אך בעקביות טובה יותר מבסיסים חזקים של מודל יחיד וממערכים פשוטים. בערכת המבחן של שני המינים הבלתי נראים, הוא מזהה נכונה מעל 99 אחוז מהתמונות. לא פחות חשוב — רמת הביטחון שלו מכוילת היטב: כאשר הוא מדווח על 90 אחוז ודאות, הוא טועה רק בערך פעם אחת מכל עשר, מאפיין שרבות ממערכות זיהוי היתושים הקודמות לא מדדו או לא הבטיחו.

מה זה אומר עבור בריאות הציבור

עבור קהל שאינו מומחה, המסר הוא שהעבודה הזו מספקת לא רק מזהה מינים מדויק ביותר, אלא גם כזה שניתן לסמוך על דיווחי ההסתברות שלו. השילוב הזה מאפשר לסוכנויות להגדיר כללים יציבים — כגון "לחקור כל מיקום שבו המודל בטוח לפחות ב-80 אחוז שזוהה מין מסוכן" — ולצפות שהכללים יתנהגו באופן דומה בין טלפונים, אזורים ותנאי תאורה שונים. למרות שעדיין קיימים אתגרים במקרים קיצוניים כמו חרקים מטושטשים מאוד או מכוסים חלקית, המערכת המוצעת מציעה קו בסיס פרקטי המוכן לפריסה למעקב יתושים בקנה מידה גדול ומניח את הקרקע לכלים עתידיים שיכולים להתמודד עם מינים חדשים, מכשירים חדשים ואפילו מצבי חישה נוספים כמו קול.

ציטוט: 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

מילות מפתח: זיהוי יתושים, למידה עמוקה, מעקב וקטורים, בינה מלאכותית מכויילת, סיווג תמונות