Identificação de carrapatos de importância em saúde pública na América do Sul com um algoritmo de aprendizagem profunda (AlexNet)

Abstract

Os carrapatos são ectoparasitos importantes para a abordagem One Health, pois são vetores de patógenos que infectam humanos, animais domésticos e silvestres. Estudos nas áreas médica, biológica e veterinária mostram que a inteligência artificial, por meio de aprendizagem de máquina, tem grande potencial para auxiliar pesquisadores e profissionais de saúde em práticas de identificação por imagens. O objetivo deste estudo foi avaliar o desempenho da Rede Neural Convolucional AlexNet para identificar carrapatos. Organizamos um banco de imagens com as seguintes combinações: fêmeas (368), machos (458), dorsais (423), ventrais (403), baixa resolução (328), alta resolução (498) e todos juntos (sexo+posição+resolução=826), para identificar os quatro principais vetores de bioagentes da febre maculosa. Organizamos também outro conjunto de imagens com as seguintes combinações: capacidade de diferenciar carrapatos (1.744 imagens) e outros artrópodes (1.744 imagens); identificação dos gêneros de carrapatos (1.266 imagens imagens de Amblyomma, 255 de Rhipicephalus, 113 de Dermacentor, 102 de Argas e 8 de Ornithodoros); e identificação de 25 espécies de carrapatos. Para avaliar o desempenho da rede, mensuramos a acurácia geral, sensibilidade e especificidade. A rede usou 70% das imagens para treinamento, 10% para validação interna e 20% para testes no MATLAB. No capitulo 1, a AlexNet demonstrou uma acurácia geral de mais de 0,80 para identificação de carrapatos, com bom desempenho independentemente do sexo, posição ou resolução da imagem. O algoritmo atingiu uma sensibilidade de mais de 0,80 para identificação correta de A. cajennense s.s., A. sculptum e A. triste, bem como especificidade acima de 0,90 para classificação de todas as espécies, independentemente das combinações realizadas. No capítulo 2, a AlexNet demonstrou uma acurácia geral de 0,98 para diferenciar carrapatos de outros artrópodes, 0,93 para identificação de gêneros e 0,69 para identificação de espécies. A sensibilidade da rede para identificação de carrapatos foi de 0,99, para gêneros foi de 1,00, 0,96, e 0,92 na identificação de Argas, Amblyomma e Rhipicephalus, respectivamente. A rede obteve sensibilidades acima de 0,80 para identificar as espécies Argas miniatus, Amblyomma coelebs, A. geayi, A. varium, R. sanguineus (complexo), A. humerale, Rhipicephalus microplus, A. brasiliense e A. maculatum (complexo). A especificidade foi de 0,96 para carrapatos, acima de 0,90 para os gêneros Argas, Dermacentor, Ornithodoros e Rhipicephalus e para as espécies a especificidade foi menor que 0,70. O excelente desempenho da AlexNet para identificação de carrapatos e gêneros representa um passo significativo na direção ao desenvolvimento de um aplicativo para identificação automatizada de carrapatos na América do Sul. Essa inovação poderá contribuir de maneira relevante para a vigilância em saúde pública e para o fortalecimento de iniciativas de ciência cidadã.