Aprendizado de máquina aplicado ao controle de mosquitos

Bruno Franklin

O termo “inteligência artificial” é utilizado desde a década de 50, se referindo a qualquer repetição de comportamento por uma máquina semelhante à de um humano, como por exemplo, saber as regras e executar um simples jogo de dama. A partir de 1980, com a evolução da ciência da computação, técnicas para um computador aprender sozinho com base em contínuos dados de entrada e gerar previsões, foram desenvolvidas.

Até os dias de hoje, essas técnicas, chamadas “aprendizado de máquina”, são aprimoradas. O aprendizado profundo é uma vertente recente do aprendizado de máquinas que usa redes neurais artificiais, análogas às redes neurais do cérebro humano, com camadas de dados que se conectam, como se fossem neurônios. Essas redes são capazes de usar diferentes aspectos dos dados de entrada para realizarem um complexo processamento de informações, gerando uma saída extremamente aprimorada e refinada.

O controle de mosquitos (Diptera: Culicidae) vetores de arboviroses é um desafio em todo o mundo, porque além de poder causar danos à saúde humana e ao meio ambiente, com inseticidas químicos, o controle precisa também lidar com os problemas derivados da resistência do mosquito a inseticidas e saneamento básico. Análises estatísticas são fundamentais para dar suporte a essas medidas de controle. Muitos modelos já são usados para entender parte da natureza da distribuição de mosquitos e sua relação com variáveis climáticas. No entanto, com a crescente utilização de técnicas de aprendizado de máquinas, novos modelos continuam a serem desenvolvidos e combinados, para fim de identificação e previsão da distribuição de mosquitos vetores de arboviroses e surtos de doenças.

----------------------------------------------------------------------------------------------------------

Joshi e Miller (2021) revisaram as técnicas de aprendizado de máquina utilizadas no controle de mosquitos em ambientes urbanos, em 120 artigos. Estados Unidos da América e Brasil foram os principais países estudados. O gênero Aedes estava presente em 50% desses artigos, seguido dos gêneros Cullex (24%), Anopheles (18%) e outros (8%). Os autores classificaram os tipos de dados utilizados em três grandes categorias: geoespacial, visual e áudio.

Imagem: Joshi e Miller, 2021. (Licença CC BY-NC-ND 4.0)

Geoespacial: Correspondem à metade das categorias de dados utilizados nesses estudos. São dados estruturados (informações rígidas e bem definidas) de macroescala, referentes a informações geográficas, ambientais, climáticas e outras. No geral, são dados governamentais e acadêmicos com uma alta disponibilidade. As técnicas de aprendizado de máquinas aqui, utilizam algoritmos de aprendizado supervisionado (o modelo aprende a partir de resultados pré-definidos) de classificação e regressão, como árvores de decisões e máquina de vetores de suporte. Esse tipo de análise subsidia medidas preventivas para o controle populacional de mosquitos ou transmissões de doenças causadas por arbovírus.

Visual: São dados não estruturados (não são bem definidos, não podem ser dispostos em uma tabela), referentes a imagens de ovos, larvas, mosquitos adultos ou criadouros artificiais. A rede neural convolucional é uma técnica de aprendizado profundo recorrente para esse tipo de dado, pois diferentes imagens de um mesmo objeto são usadas como entrada, e após uma série de análises a nível de pixels, em camadas que se conectam (neurônios), o modelo aprende identificar o objeto em qualquer situação (diferentes ângulos ou dimensões). Essas análises se mostraram muito úteis na identificação de espécies com base na morfologia de larvas e mosquitos adultos e ovos em recipientes heterogêneos. Além disso, essa técnica pode identificar recipientes artificiais potencialmente criadouros para esses mosquitos, através de imagens aéreas ou até pelo Google Street View.

Áudio: Também são dados não estruturados, que correspondem aos sons emitidos pelo bater das asas dos mosquitos. As frequências desses sons podem ser captadas por sensores acústicos, como microfones, ou pseudo-acústicos, como espectrômetro óptico. Essas frequências são únicas para cada espécie e sexo, e várias técnicas de aprendizado profundo com redes neurais artificiais combinadas com algoritmos de aprendizado supervisionado, podem usar isso para identificar a presença de mosquitos no ambiente, as espécies e sexos dos indivíduos.

----------------------------------------------------------------------------------------------------------

Grande parte dos dados utilizados em modelos que envolvem distribuição de mosquitos vetores de doenças e fatores ambientais, são de diferentes naturezas e de fáceis acessos e disponibilidade, e isso facilita explorar análises de aprendizado de máquina nesse assunto com diferentes algoritmos e técnicas. O aprimoramento das metodologias já conhecidas em inteligência artificial permite estudos científicos, governos e empresas administrarem uma maior quantidade de dados provenientes de suas ações, criando previsões, identificando padrões e automatizando serviços.

MATERIAL:

REDES NEURAIS ARTIFICIAIS

Vídeo sobre conceitos básicos de rede neural artificial e aprendizado de máquina

https://www.youtube.com/watch?v=1_c_MA1F-vU&t=332s

APP MOSQUITO ZERO:

Coletar dados para o controle de mosquitos não é só uma tarefa dos profissionais da saúde ou acadêmicos. Você também pode fazer parte disso de forma voluntária, o que chamamos de ciência cidadã. Com o aplicativo Mosquito Zero, desenvolvido pela Secretaria Municipal de Saúde de Salvador – BA, você pode informar dados da localização de focos de mosquitos, sintomas de doenças, entre outros:

https://play.google.com/store/apps/details?id=br.com.mosquitozero2

LINK DO ARTIGO DE REVISÃO (Open Acess)

Ananya Joshi, Clayton Miller, Review of machine learning techniques for mosquito control in urban environments, Ecological Informatics, Volume 61, 2021, 101241.

https://www.sciencedirect.com/science/article/pii/S1574954121000327