基于AI与数据驱动的蚊媒传染病实时监测系统开发与应用研究

本文推荐Ramya Thiagarajan团队针对蚊媒监测效率低下的问题，开发了Digitomy智能监测系统。该系统通过自动化诱捕装置采集蚊虫图像，结合机器学习(ML)模型实现物种识别（如Aedes aegypti、Culex quinquefasciatus等），建立实时数据库与可视化看板。该研究将传统人工监测升级为智能网络化监测，显著提升公共卫生部门对寨卡(Zika)、西尼罗河病毒(West Nile virus)等疾病的防控效率。

2015年寨卡病毒(Zika virus)侵袭佛罗里达州时，公共卫生部门面临严峻挑战：该州存在50余种蚊子，但仅埃及伊蚊(Aedes aegypti)和白纹伊蚊(Aedes albopictus)等少数物种传播病毒。传统监测依赖人工布设诱捕器，通过显微镜观察形态特征鉴别物种，过程缓慢且易漏检。这种低效模式在疫情暴发期间难以支撑快速响应。

数据科学家Ramya Thiagarajan意识到，蚊媒监测的瓶颈在于物种识别的时效性。她联合南佛罗里达大学(USF)的计算机科学家与昆虫学家，创立Digitomy项目，旨在通过人工智能(AI)与数据 analytics 技术重构监测体系。团队开发的智能诱捕器采用粘性捕集垫，可捕获多达100只蚊虫，并通过多角度高清摄像头自动拍摄每只蚊子的形态特征。

系统通过机器学习(ML)模型分析蚊虫的胸部(thorax)、翅膀(wing)、腿部(legs)及触角(antenna)等关键形态学特征，与大型参考数据集比对后实现物种分类。所有数据实时上传至共享数据库，并通过可视化看板展示物种数量、分布及动态趋势。这一技术将监测周期从数天缩短至近实时，并避免大规模使用杀虫剂造成的环境污染。

在技术方法层面，研究团队重点突破三大核心环节：

1. 1.
   硬件迭代：针对早期原型机捕集效率低、图像模糊等问题，优化粘性垫结构与诱捕器入口设计，调整光源角度以提升图像质量；
2. 2.
   算法训练：基于USF贝尔尼人工智能与网络安全学院提供的昆虫形态学数据集，开发针对多种病媒蚊（如传播疟疾的Anopheles crucians、传播西尼罗河病毒的Culex quinquefasciatus）的分类模型；
3. 3.
   数据平台构建：开发含验证模块的交互式看板，支持人工复核AI分类结果，并提供跨区域数据共享接口（如与美国疾控中心CDC联动）。

系统部署与验证

2025年初，Digitomy在佛罗里达州希尔斯伯勒(Hillsborough)、帕斯科(Pasco)等县开展试点。与当地蚊控部门合作中，系统成功识别出多种关键病媒蚊的活动热点，并通过时空趋势分析预测暴发风险。例如，在希尔斯伯勒县原有监测网络基础上，AI模型将物种鉴定误差率降低至传统方法的1/5。

数据生态构建

平台累积的蚊虫图像库已成为全球最大专项数据集之一。Thiagarajan强调，跨气候、季节的持续数据采集能不断提升模型泛化能力。目前数据集已涵盖佛罗里达州12种主要病媒蚊的逾10万张高清图像，为识别形态差异微妙的近缘物种（如Aedes aegypti与Aedes albopictus的翅脉差异）提供基础。

技术普惠路径

团队通过培训县级公共卫生人员优化系统使用，并设计直观的可视化工具降低操作门槛。一名参与试点的工作人员反馈：“无需昆虫学专业知识也能解读风险地图，这使得偏远地区也能实施精准防控。”

本研究通过融合物联网硬件、机器学习和数据可视化技术，构建了首个面向蚊媒传染病防控的智能监测网络。该系统不仅实现物种识别的自动化与实时化，更开创了公共卫生部门间数据协同的新模式。随着模型在全球不同地理环境的适配，Digitomy有望成为应对新发蚊媒传染病（如基孔肯雅热Chikungunya）的关键基础设施，推动全球公共卫生监测向“精准、可解释、用户友好”的范式演进。