Çift başlı yapı ve kalibrasyon farkında füzyon mimarisiyle sivrisinek türü sınıflandırması için yeni bir derin öğrenme yaklaşımı

Neden Daha Akıllı Sivrisinek Tanımlaması Önemli

Sivrisinekler küçük olabilir, ancak dünyanın en tehlikeli hastalıklarını yayarlar. Sağlık kurumları, farklı türlerin nerelerde göründüğünü izlemek için giderek daha fazla olarak tuzağa düşen böceklerin akıllı telefon fotoğraflarına dayanıyor. Sorun şu ki birçok sivrisinek şaşırtıcı derecede benzer görünür ve alanda çekilen görüntüler sıklıkla bulanık, kötü aydınlatılmış veya farklı kameralarla çekilmiş olur. Bu çalışma, laboratuvar düzeyinde doğrulukla benzer görünen sivrisinek türlerini ayırt edebilen ve her karar için ne kadar emin olduğunu da bilebilen yeni bir yapay zeka sistemi sunuyor — bu yetenek, bu kararlar gerçek dünya hastalık kontrolünü yönlendirdiğinde kritik öneme sahip.

Telefon Fotoğraflarından Güvenilir Tanımlara

Araştırmacılar, sahadaki bir çalışanın veya vatandaş bilim insanının yakalayabileceği türde görüntülere odaklanıyor: akıllı telefonlarla çekilmiş, dağınık gerçek dünya arka planları önünde tüm vücudu görünen sivrisinek fotoğrafları. Amaç iki yönlü. Birincisi, sistemin Aedes ve Culex gibi hastalık taşıyıcı birkaç tür ile "diğer/bilinmeyen" grubunu içeren sekiz kategori arasında doğru ayrım yapması. İkincisi, her tahmin için güven düzeyini gerçeğe uygun şekilde belirtmesi; böylece yetkililer örneğin bir mahallede takip ziyareti başlatılacağı zamanları güvenle belirleyebilsin. Kötü kalibre edilmiş sistemler kesin gibi görünebilir ancak yeni konumlarda veya farklı kamera türleriyle kullanıldıklarında sık sık yanlış olabilir.

Birlikte Çalışan İki Görüş Yolu

Bu hedeflere ulaşmak için ekip, iki tamamlayıcı "görüş" yolunu birleştiren bir görüntü analiz hattı kuruyor. Bir yol, vücut pulcukları, çizgiler ve kanat damarları gibi yerel doku özelliklerini yakalamada güçlü olan geleneksel konvolüsyonel sinir ağlarını (CNN) kullanıyor. Diğer yol ise görüntü genelinde kanat, toraks ve karın oranları gibi vücut parçalarının düzenini yakalamada daha iyi olan Transformer adı verilen daha yeni bir tasarımı kullanıyor. Her iki yol da aynı sivrisinek fotoğrafını paralel olarak işler ve ardından değerlendirmelerini paylaşılan bir karar modülüne iletir. Bu çeşitli yapı, fotoğrafların poz, odak veya cihaz açısından değişken olduğu durumlarda bile sistemin güvenilir kalmasına yardımcı olur.

Ayrıntılı ve Kabaca Etiketleri Birlikte Öğrenmek

Sistemin türler hakkında nasıl düşündüğünü öğretme biçimindeki temel yenilik buradadır. Model tek bir görev öğrenmek yerine iki görevi aynı anda öğrenir. Bir "baş" ana eğitim setindeki sekiz kategorinin hepsini tahmin eder. İkinci bir "baş" ise halk sağlığı bakımından özellikle önemli olan iki yakın ilişkili Aedes türünü ayırt etmeye odaklanır. Bu ince ve kaba ayrımları birlikte öğrenerek, model kolayca karışabilen benzer türler arasındaki sınırları keskinleştirirken geniş kategori setini de tanımaya devam eder. Eğitim sırasında yazarlar ayrıca verileri kasıtlı olarak dengesizleştirir; nadir türlerin daha fazla etkisi olur ve sistem yalnızca en yaygın sivrisinekleri tercih etmez.

Ham Skorları Güvenilir Bir Özgüvene Çevirmek

Sistemin iki görüş yolundan ve iki baştan gelen bilgileri birleştirme biçimi de başka bir temel gelişmedir. Tahminleri basitçe ortalamak yerine model, geçmiş performansa dayalı olarak her iç kaynağa ne kadar güvenileceğini öğrenir; bu işleme kalibre edilmiş istifleme (calibrated stacking) denir. Ardından birleşik skoru güven düzeylerinin keskinliğini ince ayarlayan sıcaklık ölçeklendirmesi (temperature scaling) adlı basit bir düzeltme adımından geçirir. Ekip ayrıca, rastgele varyasyonu azaltmak için her görüntüyü biraz farklı kırpmalar ve yatay çeviriler kullanarak birkaç kez test edip sonuçları ortalıyor. Bu adımlar bir araya geldiğinde, nihai güven puanları, sistem hiç görmediği ayrı bir veri kümesine uygulandığında bile gerçek hata oranlarıyla yakından eşleşir.

Laboratuvarda ve Sahada Neredeyse Mükemmel Doğruluk

Bunun pratikte ne kadar iyi çalıştığını görmek için yazarlar modelini büyük bir sekiz sınıflı akıllı telefon görüntü koleksiyonunda eğitip ayarlıyor, ardından hem o setten ayrılmış görüntülerde hem de yalnızca test için kullanılan tamamen ayrı bir Aedes veri kümesinde değerlendiriyor. Orijinal sekiz sınıf görevinde yöntemleri yaklaşık %99.5 doğruluğa ulaşıyor; bu, güçlü tek modellerden ve basit topluluk yöntemlerinden biraz ama tutarlı şekilde daha iyi. Görülmemiş iki tür test setinde ise görüntülerin %99’unun üzerinde doğru tanımlanıyor. Aynı derecede önemli olarak, özgüveni iyi kalibre edilmiş: %90 emin olduğunu bildirdiğinde yalnızca yaklaşık onda bir oranında yanılıyor; birçok önceki sivrisinek tanıma sistemi bunu ölçmemiş veya garanti etmemişti.

Halk Sağlığı İçin Anlamı

Uzman olmayanlar için çıkarılacak ders, bu çalışmanın yalnızca son derece doğru bir tür tanılayıcı sunmakla kalmayıp, kendi bildirdiği kesinliğe güvenilebilen bir sistem sağlamasıdır. Bu bileşim, kurumların örneğin "model tehlikeli bir tür gördüğünden en az %80 emin olduğunda herhangi bir konumu araştır" gibi istikrarlı kurallar koymasına ve bu kuralların farklı telefonlarda, bölgelerde ve aydınlatma koşullarında benzer davranmasını beklemesine olanak tanır. Çok bulanık veya yoğun şekilde örtülmüş böcekler gibi aşırı durumlarda zorluklar devam etse de önerilen sistem büyük ölçekli sivrisinek gözetimi için pratik, dağıtıma hazır bir temel sunar ve yeni türler, yeni cihazlar ve ses gibi ek algılama modlarını ele alabilecek gelecekteki araçlar için zemin hazırlar.

Atıf: 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

Anahtar kelimeler: sivrisinek tanımlama, derin öğrenme, vektör gözetimi, kalibre edilmiş yapay zeka, görüntü sınıflandırma