基于比较性YOLO方法的Bithynia蜗牛实时自动监测用于肝吸虫宿主检测

为何微小蜗牛对人类健康至关重要

在东南亚部分地区，微小的淡水蜗牛在传播一种寄生性肝吸虫中起着重要作用，该寄生虫与致命的胆管癌有关。医生和现场工作人员需要准确了解池塘和稻田中存在哪些蜗牛物种，但许多蜗牛外观几乎相同。本研究探讨现代人工智能能否实现对这些蜗牛的实时监视，从而帮助卫生工作者更快、更精确地跟踪疾病风险。

潜在癌症风险背后的蜗牛

本研究关注的是Bithynia属蜗牛，这些小型淡水蜗牛是肝吸虫Opisthorchis viverrini必需的中间宿主。当人们食用来自这些蜗牛栖息水域的生鱼或未煮熟的鱼时，可能会被感染。长期感染会大幅提高患胆管癌（难以治疗的胆道恶性肿瘤）的风险。若干Bithynia物种及亚种在泰国及邻近国家的栖息地存在重叠，肉眼难以区分。基于壳体细节的传统方法或DNA检测既慢又费力，使得大范围监测变得困难。

教计算机识别并分类蜗牛

研究团队测试了四个版本的流行图像识别系统YOLO，该系统能几乎即时地在图片中定位并标注物体。他们从泰国47个地点采集了数千张高分辨率蜗牛图像，包含白色背景下的实验室拍摄以及稻田、沟渠、池塘和灌溉渠等自然场景。专家先使用标准分类学检索表识别蜗牛，然后在图像中为每个标本画出边框。研究使用了三种具有医学意义的Bithynia类型和第四类“未知”群组来训练模型，使其既能检测蜗牛也能判定其种类。

将人工智能与人类专家进行比较

训练完成后，研究人员将四个YOLO模型与五位人类专家在一组模型未见过的图像上进行了比较。人类在发现蜗牛存在方面表现完美，从未漏检样本。相比之下，人工智能系统确实漏检了少量蜗牛，尤其是当蜗牛体积很小、互相重叠、带有污物或部分隐藏在杂乱背景中时。然而，一旦发现蜗牛，表现最好的模型YOLOv10在判断其所属物种方面远胜于人类。在被检测到的蜗牛上，它的分类准确率约为四分之三，而人类专家平均不到一半，这反映了壳体差异的微妙性。

为艰难现场条件选择合适模型

在测试的四个版本中，YOLOv10在准确性、速度和文件体积之间提供了最佳平衡。它在验证数据上达到了98.7%的总体准确率，并在标准检测指标上获得高分，同时在一块中等性能的显卡上运行速度超过每秒四帧。它在低光、复杂植被和杂乱场景等艰难真实条件下表现稳健，并且比旧版本更能处理体积小或方向奇怪的蜗牛。同时，该模型体积足够小，可部署在便携设备上，这对计算资源有限的现场队伍尤为重要。

人机共享的工作模式

对非专业人士来说，关键信息是：单靠人或机器都无法完美完成这项工作，但两者结合能显著提升表现。人类擅长在杂乱图像中快速扫描并确保不遗漏蜗牛。人工智能在有人指出蜗牛后，则更可靠地判断其属于哪种近似相同的物种。作者提出一种混合工作流程：现场工作人员或技术员首先定位蜗牛，然后将这些图像交给YOLOv10系统进行快速、标准化的物种标注。这种结合方法可以大幅提高蜗牛监测的速度和一致性，为公共卫生项目提供实用工具，以跟踪危险宿主的扩散并在资源和专家有限的地区规划控制措施。

引用: 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

关键词: Bithynia蜗牛, 肝吸虫, YOLO检测, 疾病监测, 人机协作