疟疾仍是全球最具破坏性的疾病之一，每年感染超2.5亿人并导致60余万人死亡。为应对这一威胁，跨国研究团队开发出一款人工智能驱动的工具，旨在资源匮乏地区检测可能传播疟疾的入侵蚊种。该成果标志着人工智能与公民科学在疾病媒介监测领域的重要突破。
题为《人工智能与公民科学作为全球蚊媒监测工具：马达加斯加案例研究》的论文发表于《昆虫》期刊，展示了AI图像识别模型如何结合移动端公民数据采集，识别斯氏按蚊（Anopheles stephensi）等入侵蚊种。该亚洲蚊种自2012年首次登陆非洲大陆后迅速扩散，因其适应城市环境的能力构成重大公共卫生威胁——不同于依赖稻田、水坑等自然水源的非洲本土疟疾传播媒介，斯氏按蚊可在轮胎、水桶等人工容器中繁殖。
在马达加斯加，自2015年疟疾发病率急剧上升以来，该国被列为东非斯氏按蚊入侵风险最高的地区之一。新研究通过整合人工智能与公民科学强化早期监测能力：团队利用数千张经实验室认证的八种蚊子幼虫智能手机照片（含斯氏按蚊、冈比亚按蚊及白纹伊蚊）训练深度学习模型。马达加斯加民众通过美国国家航空航天局（NASA）的全球观测者应用（GLOBE Observer），上传在人工容器中发现的蚊子幼虫照片。2020年3月，塔那那利佛市民提交的一张照片成为研究焦点——尽管缺乏实物标本进行基因检测，AI模型仍准确识别出照片中的幼虫为斯氏按蚊，证实移动端公民报告可作为可靠的媒介监测工具。
研究团队部署了EfficientNet、Inception-ResNet-V2和Xception等多种AI架构，对斯氏按蚊幼虫的分类置信度高达99.34%，假阳性率低于1%。可解释性人工智能技术通过分析腹部节段色素沉着等解剖特征，不仅验证了预测准确性，更以100%的置信度确定了蚊子性别。
人工智能将公民照片转化为监测工具
该研究展示了AI如何将智能手机图像转化为 actionable 监测数据。团队通过在验证蚊子幼虫图像上训练卷积神经网络，创建了可区分斯氏按蚊与其他形态相似蚊种的模型。准确率最高的EfficientNet-B0模型采用旋转、对比度调整和裁剪等图像增强技术提升识别精度。
可解释性人工智能在验证预测中尤为重要。梯度加权类激活映射（Grad-CAM）和类激活映射方法揭示了AI判定最关键的解剖特征，提供透明度与生物学洞见。这些可视化技术识别出幼虫腹部深色色素区域——对应雄蚊睾丸的位置，该发现同时确认了蚊种分类与性别。
在AI分析后，研究团队于2022至2023年对塔那那利佛六个区开展大规模幼虫调查，检查近2000个人工容器，采集到来自伊蚊、按蚊和库蚊三属的2.7万余只幼虫。值得注意的是，此次后续研究未检测到斯氏按蚊标本，表明2020年的发现可能是孤立事件，或社区主导的栖息地清除行动成功阻止了其本地定殖。
研究结果证实：当与公民采集的图像结合时，人工智能能提供早期预警信号。即使缺乏实物标本进行分子验证，存档图像仍可通过机器学习模型进行回溯分析，使卫生机构能够比传统昆虫学调查更快速地监测媒介移动轨迹、识别入侵模式并部署干预措施。
对媒介控制与公共卫生的全球启示
人工智能与公民科学的融合对防控蚊媒疾病具有全球意义。随着气候变化、城市化和杀虫剂抗性导致疟疾传播范围扩大，亟需可扩展的监测工具。该研究提出的模式通过利用智能手机技术、开放数据和社区参与，为全球部署提供了成本效益显著的范本。
研究人员强调，公民参与对识别繁殖栖息地并在蚊子成熟前清除积水至关重要。NASA地球科学教育合作计划开发的全球观测者应用，已赋能120多个国家的志愿者记录蚊媒栖息地及幼虫，创建可供科学家和公共卫生官员访问的全球数据库。
研究团队建议公民科学家为每只幼虫拍摄多角度照片以提升AI检测可靠性，并鼓励在斯氏按蚊易滋生的城市或畜牧环境中饲养幼虫以进一步确认物种。为扩大应用规模，研究者已免费开放其AI工具与数据可视化平台：全球蚊子观测仪表盘（整合全球观测者、iNaturalist和蚊子警报数据）与蚊子识别平台（提供幼虫及成蚊AI识别）共同构成实时追踪入侵蚊种的全球网络。
研究还揭示了人工智能在监测之外的潜力：自动化幼虫性别鉴定可支持沃尔巴克氏体感染、基因改造和绝育昆虫技术等生态友好型控蚊项目，这些方案均需精确性别分离以减少繁殖种群。研究者设想将AI赋能的智能诱捕器扩展至成蚊监测，并将其与社区报告网络整合。
【全文结束】
