Автоматизированный мониторинг в реальном времени улиток Bithynia с использованием сравнительного подхода на основе YOLO для обнаружения хозяев печёночного сосальщика

Почему крошечные улитки важны для здоровья людей

В некоторых районах Юго-Восточной Азии крошечные пресноводные улитки играют большую роль в распространении паразитического печёночного сосальщика, связанного с опасным раком желчных протоков. Врачам и полевым работникам важно точно знать, какие виды улиток обитают в прудах и рисовых полях, но многие из этих улиток выглядят практически одинаково. В этом исследовании рассматривают, может ли современный искусственный интеллект следить за улитками в реальном времени и помогать работникам здравоохранения быстрее и точнее отслеживать риски заболеваний.

Улитки, стоящие за скрытым риском рака

В центре внимания этого исследования — улитки рода Bithynia, маленькие пресноводные улитки, которые являются необходимыми хозяевами печёночного сосальщика Opisthorchis viverrini. Когда люди употребляют в пищу сырую или недостаточно термически обработанную рыбу из вод, где обитают эти улитки, они могут заразиться. Длительная инфекция значительно повышает риск холангиокарциномы — трудно поддающегося лечению рака желчных протоков. Несколько видов и подвидов Bithynia занимают пересекающиеся ареалы в Таиланде и соседних странах и их бывает очень трудно отличить невооружённым глазом. Традиционные методы, основанные на деталях раковины или ДНК‑тестах, медленные и трудоёмкие, что затрудняет мониторинг больших территорий.

Обучение компьютеров обнаруживать и различать улиток

Команда протестировала четыре версии популярной системы распознавания изображений, известной как YOLO, которая может практически мгновенно обнаруживать и помечать объекты на фотографиях. Они собрали тысячи высокоразрешённых изображений улиток с 47 площадок по всему Таиланду, включая лабораторные снимки на белом фоне и естественные сцены в рисовых чеках, каналах, прудах и оросительных каналах. Эксперты сначала идентифицировали улиток с помощью стандартных таксономических ключей, а затем обвели рамками каждый экземпляр на изображениях. Для обучения моделей использовали три медицински значимых типа Bithynia и четвёртую группу «неизвестно», чтобы модели научились как обнаруживать улиток, так и определять их вид.

Испытание ИИ и человеческих экспертов

После обучения исследователи сравнили четыре модели YOLO с пятью человеческими специалистами, использовав отдельный набор изображений, который ни одна из моделей ранее не видела. Люди безошибочно определяли наличие улитки, не пропуская образцы. Системы ИИ, напротив, не обнаруживали небольшое число улиток, особенно когда те были крошечными, перекрывались, были грязными или частично скрыты в загромождённом фоне. Однако как только улитка была найдена, лучшая модель, названная YOLOv10, заметно превосходила людей в определении вида. Она достигла точности классификации примерно в три четверти от числа обнаруженных улиток, тогда как средний результат экспертов был ниже половины, что отражает тонкость различий в форме раковин.

Выбор подходящей модели для тяжёлых полевых условий

Из протестированных версий YOLOv10 предложила наилучшее сочетание точности, скорости и компактного размера файла. Она показала 98,7% общей точности на валидационных данных и высокие показатели по стандартным метрикам детекции, при этом работая более чем с четырьмя кадрами в секунду на скромной видеокарте. Модель также хорошо выдерживала сложные реальные условия, такие как слабое освещение, плотная растительность и загромождённые сцены, и лучше справлялась с маленькими или необычно ориентированными улитками, чем более старые версии. В то же время модель достаточно компактна для развёртывания на портативных устройствах, что важно для полевых команд с ограниченными вычислительными ресурсами.

Общая работа людей и машин

Для неспециалиста ключевая мысль заключается в том, что ни люди, ни машины не могут идеально выполнить эту задачу в одиночку, но вместе они работают значительно лучше. Люди отлично сканируют бессистемные изображения и следят за тем, чтобы ни одна улитка не была пропущена. Система ИИ, когда улитка указана, надёжнее в определении к какому почти неотличимому виду она относится. Авторы предлагают гибридный рабочий процесс, в котором полевые работники или техники сначала локализуют улиток, а затем передают эти изображения системе YOLOv10 для быстрого и стандартизированного присвоения видов. Такой комбинированный подход может существенно повысить скорость и согласованность мониторинга улиток, предоставляя программам общественного здравоохранения практический инструмент для отслеживания распространения рискованных хозяев и планирования мер контроля в регионах с ограниченными ресурсами и узкой экспертной подготовкой.

Цитирование: Jenwithee, T., Meererksom, T., Limpanont, Y. et al. Automated real-time surveillance of Bithynia snails using a comparative YOLO based approach for liver fluke host detection. Sci Rep 16, 14886 (2026). https://doi.org/10.1038/s41598-026-43387-x

Ключевые слова: улитки Bithynia, печёночный сосальщик, детекция YOLO, эпиднадзор, сотрудничество человека и ИИ