Automatiserad realtidsövervakning av Bithynia-snäckor med en jämförande YOLO-baserad metod för upptäckt av leverflinakontakter

Varför små snäckor spelar roll för människors hälsa

I delar av Sydostasien spelar små sötvattensnäckor en stor roll i spridningen av en parasitisk leverfluga som är kopplad till en dödlig cancer i gallgångarna. Läkare och fältarbetare behöver veta exakt vilka snäckarter som finns i dammar och risfält, men många av dessa snäckor ser nästan identiska ut. Denna studie undersöker om modern artificiell intelligens kan övervaka dessa snäckor i realtid, och därigenom hjälpa vårdpersonal att spåra sjukdomsrisker snabbare och mer exakt.

Snäckorna bakom en dold cancer-risk

Fokus för denna forskning ligger på Bithynia-snäckor, små sötvattenssnäckor som fungerar som nödvändiga värdar för leverflugan Opisthorchis viverrini. När människor äter rå eller otillräckligt tillagad fisk från vatten där dessa snäckor lever kan de bli infekterade. Långvarig infektion ökar kraftigt risken för kolangiocarcinom, en svårbehandlad cancer i gallgångarna. Flera Bithynia-arter och underarter delar överlappande habitat i Thailand och grannländer, och de kan vara mycket svåra att skilja åt med blotta ögat. Traditionella metoder som baseras på skalens detaljer eller DNA-tester är långsamma och arbetsintensiva, vilket försvårar övervakning över stora områden.

Lära datorer att upptäcka och sortera snäckor

Teamet testade fyra versioner av ett populärt bildigenkänningssystem känt som YOLO, som kan hitta och märka objekt i bilder nästan omedelbart. De samlade tusentals högupplösta bilder av snäckor från 47 platser i Thailand, inklusive laboratoriebilder mot vit bakgrund och naturliga scener i risfält, kanaler, dammar och bevattningsdiken. Experter identifierade först snäckorna med standard taxonomiska nycklar och ritade sedan rutor runt varje exemplar i bilderna. Tre medicinskt viktiga Bithynia-typer och en fjärde ”okänd” grupp användes för att träna datorerna både att upptäcka snäckor och avgöra vilken typ det var.

Sätta AI och mänskliga experter på prov

Efter träning jämförde forskarna de fyra YOLO-modellerna med fem mänskliga specialister med hjälp av ett separat bildset som ingen av modellerna sett tidigare. Människorna var perfekta på att upptäcka att en snäcka fanns närvarande och missade aldrig ett exemplar. AI-systemen misslyckades däremot med att upptäcka ett litet antal snäckor, särskilt när de var små, överlappade, smutsiga eller delvis dolda i röriga bakgrunder. Men när en snäcka väl hittades var den bästa modellen, kallad YOLOv10, mycket bättre än människor på att avgöra vilken art det var. Den nådde en klassificeringsnoggrannhet på omkring tre fjärdedelar på upptäckta snäckor, medan mänskliga experter i genomsnitt landade under hälften — ett tecken på hur subtila skalskillnaderna kan vara.

Hitta rätt modell för tuffa fältförhållanden

Bland de fyra testade versionerna erbjöd YOLOv10 den bästa balansen mellan noggrannhet, hastighet och kompakt filstorlek. Den nådde 98,7 % total noggrannhet på valideringsdata och höga poäng på standardmått för detektion, samtidigt som den körde i mer än fyra ramar per sekund på ett modest grafikkort. Den höll sig också väl under svåra verkliga förhållanden, som svagt ljus, komplex växtlighet och röriga scener, och klarade bättre av små eller udda orienterade snäckor än äldre versioner. Samtidigt är modellen tillräckligt liten för att kunna driftsättas på bärbara enheter, vilket är viktigt för fältteam som kan ha begränsad datorkraft.

En gemensam uppgift för människor och maskiner

För en icke-specialist är huvudbudskapet att varken människor eller maskiner kan utföra detta arbete perfekt på egen hand, men tillsammans fungerar de mycket bättre. Människor är utmärkta på att skanna röriga bilder och se till att ingen snäcka förbises. AI-systemet, när en snäcka väl pekats ut, är mer pålitligt för att säga vilken nästan identisk art den tillhör. Författarna föreslår ett hybridarbetsflöde där fältarbetare eller tekniker först lokaliserar snäckor och sedan skickar dessa bilder till YOLOv10-systemet för snabb, standardiserad artmärkning. Detta kombinerade tillvägagångssätt kan kraftigt öka hastigheten och konsekvensen i snäckövervakningen, ge folkhälsoprogram ett praktiskt verktyg för att spåra var riskfyllda snäckvärdar sprider sig och planera kontrollinsatser i regioner där resurser och specialistkunskap är begränsade.

Citering: 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

Nyckelord: Bithynia-snäckor, leverfluga, YOLO-detektion, sjukdomsövervakning, människa-AI-samarbete