今天小編分享的科技經驗： 比爾·蓋茨要用AI對付蚊子，人類和蚊子的“戰争”迎來終局？，歡迎閲讀。
在致人死亡的動物中，蚊子排名第一。
根據世界衞生組織（WHO）統計數據顯示，全球每年約有 72.5 萬人死于蚊蟲叮咬產生的疾病，僅瘧疾一項在 2022 年就造成 60.8 萬例死亡。相比之下，其他致命的動物，如蛇、狗（通過傳播狂犬病）、鳄魚等，盡管也造成了相當數量的死亡，但與蚊子相比，數字要小得多。
每年死于各類動物的人數對比
雖然世衞組織早在 1955 年就曾做出過徹底消滅瘧疾的宣言，但在很多地區，消滅瘧疾卻成為了一場「打地鼠」的遊戲。每當瘧疾被認為得到控制時，沒過多久又會以另一種形式出現，時至今日仍然沒有得到有效的控制。
想要斷絕由蚊子作為媒介傳播的疾病，首先在于檢測分辨不同種類的蚊子，這不僅由于不同種類的蚊子會攜帶不同的疾病，也在于不同蚊子會有不同的生存特性。
這意味着如果能夠分辨蚊子的種類，就可以利用其不同的特性滅蚊，例如針對室外生活和覓食的蚊子采取如消除滋生地，針對室内生存的蚊子采用蚊帳等，這在很多地區被證明是行之有效的滅蚊措施。
前世界首富比爾 · 蓋茨近期分享了一項為此而生的新技術—— VectorCam。它能夠通過應用程式僅需拍攝一張蚊子照片，即可識别蚊子種類、性别、是否吸食血液及產下蟲卵：
在與蚊子的鬥争中，我們終于看清了我們的對手。
比爾 · 蓋茨在視頻中介紹該技術
用 AI 計算機視覺「看清」蚊子
據 VectorCam 官方介紹，該系統采用了一種用于識别蚊子種類、性别和腹部狀态的新型卷積神經網絡 VectorBrain。
作為一種專門為識别蚊子訓練的 AI 模型，VectorBrain 能夠準确識别 6 種主要蚊媒，包括主要瘧疾媒介，在資源受限的環境中準确率超過 90%。
VectorBrain 是一個多任務 EfficientNet 架構，專為蚊子分類設計，同時輸出種類、性别和腹部狀态。該架構包括一個特征提取器和一個分支結構，每個分支對應一個分類任務。
在識别蚊子方面，VectorBrain 使用了輕量級的 YOLO 模型，能夠實時定位蚊子，并使用檢測到的坐标裁剪出只包含蚊子本身的影像，來進行更好的識别。
圖片舉例説明了分類蚊子影像的各個階段。首先，展示需要分類的完整蚊子影像（a）。然後，使用 YOLO 算法根據坐标裁剪蚊子影像，并進行一系列影像變換以準備分類（b）。最後，顯示分類算法的輸出結果，确定影像中的蚊子種類（c）。
具體而言，YOLO 模型在訓練和驗證過程中的精度、召回率和平均精度（mAP）分别為 96.00%、90.50% 和 95.87%。種類分類模型的準确率為 92.40±2%，性别分類模型的準确率為 97.00±1%，腹部狀态分類模型的準确率為 83.20±3.1%。
（a）為 YOLO 模型在訓練和驗證中的性能指标，（b）為模型檢測蚊子案例
通過種類、性别、腹部狀态分類的混淆矩陣和準确率
在 VectorCam 提供的論文中，還将其正在使用的 YOLOv5 與廣泛應用于各種目标檢測任務的 Faster R-CNN 模型進行對比，YOLOv5 Small 在參數數量、模型大小、mAP 和運行時間等方面都有更好表現，
赤腳醫生也能快速上手
不僅是更有針對性的大模型， VectorCam 為了适應瘧疾傳播區，在具體操作方面也進行了簡化，使其能夠更好地适應瘧疾傳播區的實際情況。
具體而言，VectorCam 包括一套專門的成像設備和一款手機應用程式。其中的硬體組件包括内置 15 倍微距鏡頭的燈箱、手機殼設計和擴展塢。硬體還包括 Eppendorf 管支架和蚊子托盤以及穿孔标本 ID 表，更好地儲存這些蚊子。
VectorCam 的軟體是一個基于 Android 的應用程式，據稱能夠識别超過 39 種蚊子類型，包括常見的蚊子以及一些更易攜帶疾病的特定蚊子類型，經過算法優化後還能夠在較低端的 Android 手機上運行。
VectorCam 的手機操作界面
系統的工作流程包括将收集到的蚊子放入硬體、使用智能手機應用程式捕獲蚊子的放大影像、并将蚊子存儲在帶有唯一标籤的 Eppendorf 管中，以便後續的分子驗證。
VectorCam 系統的整個工作流程
成像和加載任務僅需兩個用户完成：一個負責成像，另一個負責加載和存儲蚊子，不需要太多昆蟲學專業知識，即使是鄉村衞生團隊也能通過簡單的培訓操作 VectorCam。
除了操作簡便以外，VectorCam 還有一個優點在于能夠以更直觀的方式展示蚊子的地區分布，使決策者能夠更好地了解情況并根據蚊子種類、性别、腹部情況等判斷當地，采取相應措施應對，推動徹底消滅瘧疾頑疾的進程。
圖片展示了該網絡如何在不同層次「感知」蚊子的特征，并通過直觀的方式顯示出其種類、腹部狀态、性别分布情況
用 AI 計算機聽覺「識别」蚊子
在用手機檢測蚊子方面，比爾 · 蓋茨還介紹了另一項成果—— HumBug。
這個新系統是一套機器學習算法，能夠利用智能手機捕捉到的蚊子飛行音調的聲學特征（聲音），通過蚊子翅膀拍打的聲音來識别蚊子種類。（事實證明，不同種類的蚊子由于個體大小、年齡和環境温度等差異，拍打翅膀的速度不同，因而在聲音上也會有差異。）
HumBug 項目具體工作流程
而且更重要的是，Humbug 并不需要像 VectorCam 一樣使用特殊裝置采集蚊子，從而進一步簡化了蚊子檢測流程。
不過 Humbug 仍處于早期階段，但如果成功，它可能會實現更自動化和持續的監測。
在介紹這些技術時，比爾 · 蓋茨也表達了一定的擔憂，并非擔心在技術上的困難，而是擔心其他政治、經濟的因素：
我們面臨的最大挑戰之一并非科學上的，而是資金和政治上的。
