Uma nova abordagem de deep learning para classificação de espécies de mosquitos via uma estrutura de cabeças duplas e arquitetura de fusão sensível à calibração

Por que uma identificação de mosquitos mais inteligente importa

Mosquitos podem ser minúsculos, mas transmitem algumas das doenças mais perigosas do planeta. Agências de saúde dependem cada vez mais de fotos feitas em smartphones de insetos capturados para rastrear onde diferentes espécies estão aparecendo. O problema é que muitos mosquitos se parecem de forma enganosa, e imagens tiradas em campo frequentemente saem borradas, mal iluminadas ou feitas com muitos tipos diferentes de câmeras. Este estudo apresenta um novo sistema de inteligência artificial que consegue distinguir espécies de mosquitos semelhantes com precisão de nível de laboratório, além de avaliar o quão confiante está em cada decisão — uma capacidade crucial quando essas decisões orientam ações reais de controle de doenças.

De fotos de celular a identificações confiáveis

Os pesquisadores concentram-se em imagens que se assemelham ao que um agente de campo ou um cientista cidadão poderia capturar: mosquitos inteiros fotografados com smartphones contra fundos bagunçados do mundo real. O objetivo é duplo. Primeiro, o sistema deve distinguir corretamente entre oito categorias, incluindo várias espécies vetoras de Aedes e Culex e um grupo “outro/desconhecido”. Segundo, ele precisa indicar sua confiança em cada previsão de forma que corresponda à realidade, para que autoridades possam definir limiares seguros — por exemplo, decidir quando acionar uma visita de acompanhamento a um bairro. Sistemas mal calibrados podem soar certos, mas errar com frequência quando usados em locais novos ou com tipos de câmera diferentes.

Dois caminhos visuais trabalhando juntos

Para alcançar esses objetivos, a equipe constrói um pipeline de análise de imagens que combina duas maneiras complementares de “ver”. Um caminho utiliza redes neurais convolucionais (CNNs) convencionais, que se sobressaem em captar texturas locais como escamas do corpo, listras e nervuras das asas. O outro caminho utiliza um desenho mais recente chamado Transformer, que é melhor em capturar a disposição global das partes do corpo na imagem, como as proporções de asas, tórax e abdome. Ambos os caminhos processam a mesma foto do mosquito em paralelo e depois alimentam suas avaliações em um módulo de decisão compartilhado. Essa configuração diversa ajuda o sistema a permanecer confiável mesmo quando as fotos variam em pose, foco ou dispositivo.

Aprendendo rótulos detalhados e agregados

Uma inovação chave está em como o sistema é treinado para pensar sobre as espécies. Em vez de aprender apenas uma tarefa, ele aprende duas simultaneamente. Uma “cabeça” prevê todas as oito categorias do conjunto de treinamento principal. Uma segunda “cabeça” foca apenas em distinguir duas espécies de Aedes intimamente relacionadas que são de particular interesse para a saúde pública. Ao aprender conjuntamente essas distinções finas e grossas, o modelo afina as fronteiras entre espécies facilmente confundíveis ao mesmo tempo em que reconhece o conjunto mais amplo. Durante o treinamento, os autores também reequilibram deliberadamente os dados para que espécies raras tenham mais influência e o sistema não favoreça simplesmente os mosquitos mais comuns.

Convertendo pontuações brutas em confiança confiável

Outro avanço central é como o sistema funde informações de seus dois caminhos visuais e das duas cabeças. Em vez de simplesmente fazer a média das suposições, o modelo aprende quanto confiar em cada fonte interna com base em desempenho passado, um processo conhecido como empilhamento calibrado (calibrated stacking). Em seguida, passa a pontuação combinada por um passo simples de ajuste chamado temperature scaling, que ajusta a nitidez dos níveis de confiança. A equipe também testa cada imagem várias vezes usando cortes e espelhamentos ligeiramente alterados, fazendo a média dos resultados para reduzir variação aleatória. Juntos, esses passos fazem com que as pontuações finais de confiança correspondam de perto às taxas reais de erro, mesmo quando o sistema é aplicado a um conjunto de dados separado que nunca viu antes.

Precisão quase perfeita em laboratório e no campo

Para avaliar o desempenho na prática, os autores treinam e ajustam seu modelo em uma grande coleção de imagens de smartphones com oito classes e então o avaliam tanto em imagens reservadas desse mesmo conjunto quanto em um conjunto totalmente separado de Aedes usado estritamente para teste. Na tarefa original de oito classes, seu método alcança cerca de 99,5% de acurácia, superando de forma leve, porém consistente, fortes modelos baselines individuais e ensembles simples. No conjunto de teste de duas espécies não visto, identifica corretamente mais de 99% das imagens. Tão importante quanto, sua confiança é bem calibrada: quando reporta 90% de certeza, erra apenas cerca de uma vez em dez, uma propriedade que muitos sistemas anteriores de reconhecimento de mosquitos não mediram ou garantiram.

O que isso significa para a saúde pública

Para não especialistas, a conclusão é que este trabalho entrega não apenas um reconhecedor de espécies altamente preciso, mas também um cujo nível de certeza autodeclarado pode ser confiado. Essa combinação permite que agências definam regras estáveis — como “investigar qualquer local onde o modelo esteja pelo menos 80% seguro de ter detectado uma espécie perigosa” — e esperem que essas regras se comportem de forma semelhante entre diferentes celulares, regiões e condições de iluminação. Embora desafios permaneçam em casos extremos, como insetos muito borrados ou fortemente obstruídos, o sistema proposto oferece uma linha de base prática e pronta para implantação em vigilância de mosquitos em larga escala e prepara o terreno para ferramentas futuras capazes de lidar com novas espécies, novos dispositivos e até modos adicionais de sensoriamento, como som.

Citação: 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

Palavras-chave: identificação de mosquitos, deep learning, vigilância de vetores, IA calibrada, classificação de imagens