AI einsetzen, um durch Mücken übertragene Krankheiten zu bekämpfen

Viele Viren werden von Insekten übertragen, besonders von Mücken, die Krankheiten bei Menschen auslösen können. Zu den verschiedenen Viren gehören das Gelbfieber, Dengue, Zika und Chikungunya, die am bedeutendsten sind. Weibliche Aedes-Mücken, insbesondere Aedes Aegypti, sind die Hauptüberträger dieser Viren. Aedes aegypti wird mit Dengue-Ausbrüchen in Verbindung gebracht und spielt auch eine Rolle bei der Verbreitung von Gelbfieber, Chikungunya und Zika. 2019 hatte Brasilien einen grossen Dengue-Ausbruch mit über 2,3 Millionen gemeldeten Fällen.

Aktuell gibt es einen wirksamen Impfstoff gegen Gelbfieber, und ein neuer Impfstoff gegen Dengue namens Qdenga wurde für ein breiteres Publikum zugelassen, ist aber momentan nur über private Labore erhältlich. Um die Verbreitung von durch Aedes-Mücken übertragenen Krankheiten zu kontrollieren, ist es entscheidend, den Kontakt zwischen Menschen und diesen Insekten zu reduzieren und Massnahmen gegen ihre unreifen Stadien (Larven und Puppen) sowie die erwachsenen Mücken, insbesondere die Weibchen, umzusetzen, da diese hauptsächlich menschliches Blut saugen.

Aedes aegypti gedeiht in städtischen Gebieten und nutzt sowohl natürliche als auch künstliche Wasserbehälter zur Fortpflanzung. Die grosse Anzahl von wasserhaltenden Behältern in Städten macht es schwierig, die Mückenpopulationen zu kontrollieren, was zu vielen erfolglosen Versuchen führt, diese Krankheiten zu managen. Aktuelle Strategien zur Kontrolle von Aedes aegypti sind teuer, arbeitsintensiv und oft ineffektiv, was einen dringenden Bedarf an besseren Methoden aufzeigt.

Verschiedene Strategien wurden eingesetzt, um Dengue, Zika und Chikungunya zu bekämpfen, besonders in Städten, wo diese Krankheiten häufig vorkommen. In Regionen wie Lateinamerika und Südostasien verlassen sich Gesundheitsbehörden oft auf traditionelle Überwachungsmethoden, wie Berichte von Gesundheitsdiensten und Laborbestätigungen. Allerdings schränkt die Zeitverzögerung zwischen der Identifizierung von Fällen und der Benachrichtigung der Gesundheitsbehörden die zeitnahen Reaktionen auf Ausbrüche ein, was schwerwiegende Folgen haben kann.

Ein weiteres Problem ist die entomologische Überwachung, die notwendig ist, um Aedes aegypti zu verfolgen. Diese Überwachung kann zeitaufwendig und teuer sein und erfordert umfangreiche Anstrengungen für Haushaltsinspektionen. Es ist auch arbeitsintensiv, alle notwendigen Daten zu sammeln und zu überprüfen.

Um die Überwachungs- und Kontrollbemühungen zu verbessern, ist es wichtig, spezifische Bereiche mit hohem Risiko für Aedes aegypti-Befall zu identifizieren. Der Premise Condition Index (PCI) ist ein Werkzeug, das helfen kann, Überwachungs- und Präventionsmassnahmen gezielt zu steuern. Der PCI bewertet die Gebäudebedingungen, Erhaltung und Beschattung und gibt eine Punktzahl, die anzeigt, wie wahrscheinlich es ist, dass ein Gebäude zu einem Brutplatz für Aedes aegypti wird.

Mehrere Studien haben bestätigt, dass höhere PCI-Werte mit einer grösseren Mückenbrut korrelieren. Zum Beispiel wurden in Rio de Janeiro und anderen brasilianischen Städten höhere Zahlen von Aedes aegypti-Eiern in Umgebungen mit höheren PCI-Werten gefunden. Leider kann die Anwendung des PCI ebenfalls arbeitsintensiv und kostspielig sein.

Diese Studie schlägt vor, Strassenbilder und Künstliche Intelligenz (KI) zu nutzen, um den PCI von Gebäuden vorherzusagen, ohne persönliche Inspektionen durchführen zu müssen. Die Verwendung von KI könnte den Prozess rationalisieren und wertvolle Einblicke für die öffentliche Gesundheitspolitik bieten, sodass die Überwachung und Prävention effektiver wird.

#KI in der Krankheitskontrolle

Aktuelle präventive Initiativen konzentrieren sich auf die Kartierung und Kontrolle von krankheitsübertragenden Mücken. KI, insbesondere maschinelles Lernen, bietet viele Möglichkeiten in diesem Bereich, von der Bestimmung, welche Daten zu sammeln sind, bis hin zu den Massnahmen zur Schätzung.

Einige Studien haben gezeigt, dass städtische Gebiete mit grösserer Anfälligkeit oft höhere Aedes aegypti-Befälle aufweisen. Forscher haben Felddaten zu sozioökonomischen Faktoren wie Einkommen und Bildungsniveau sowie Umweltdaten wie Temperatur und Luftfeuchtigkeit verwendet. In letzter Zeit hat das Interesse an der Nutzung von Bildern für diesen Zweck zugenommen. Forschung hat gezeigt, dass Daten aus Luftbildern positiv mit Mückenpopulationen korrelieren können. Allerdings wurde wenig Forschung betrieben, die Informationen aus Fassadenbildern ableitet, was der Hauptfokus dieser Studie ist.

Während die direkte Vorhersage von Mückenanzahlen aufgrund des Bedarfs an umfangreicher Datensammlung kompliziert sein kann, ermöglicht maschinelles Lernen den Forschern, alternative Wege zur Datensammlung zu finden. Eine prominente Methode besteht darin, häufige Brutstätten von Mücken in Wohngebieten zu lokalisieren, wie Eimer oder Schwimmbecken.

Einige Forscher haben entdeckt, dass Anzeichen von Gebäudeschäden aus Fassadenbildern abgeleitet werden können, was auf eine Korrelation zwischen schlecht gewarteten Gebäuden und Bedingungen hinweist, die für die Mückenbrut geeignet sind. Es wurden jedoch keine Studien gefunden, die direkte Zusammenhänge zwischen Fassadenbildern und PCI-Werten nachweisen. Diese Studie zielt daher darauf ab, fortschrittliche Deep-Learning-Methoden anzuwenden, um solche Vorhersagen zu machen.

Der vorgeschlagene Ansatz sagt PCI-Werte basierend auf Strassenbildern von Gebäuden voraus. Diese Arbeit kombiniert Deep-Learning-Methoden mit Strassenlevel-Daten, wobei der Fokus auf der Vorhersage des PCI liegt, was für die Überwachung von Aedes aegypti-Befällen entscheidend ist. Diese Forschung ist Teil eines von einer Forschungsstiftung finanzierten Projekts, das darauf abzielt, Fernsensoren und KI zu nutzen, um Hochrisikogebiete für Aedes aegypti-Befälle und verwandte Krankheiten zu identifizieren.

#Frühere Forschung

Aufgrund der erheblichen Auswirkungen auf die öffentliche Gesundheit wurden verschiedene Techniken vorgeschlagen, um KI und Bildverarbeitung zu nutzen, um Gebiete zu kartieren, die für Aedes aegypti-Befälle gefährdet sind. Beispielsweise haben Forscher Stadtteile basierend auf Umweltdaten, die aus Satellitenbildern extrahiert wurden, klassifiziert und diese Klassifikationen mit entomologischen Umfragedaten korreliert, um Faktoren zu identifizieren, die mit der Mückenvermehrung verbunden sind.

Andere Studien haben Fernerkundungsdaten genutzt, um Brutstätten von Mücken zu erkennen, während einige Netzwerke erstellt haben, die Dengue-Fieber-Raten basierend auf den umgebenden Strassenbildern vorhersagen. Ein bedeutender Fokus wurde auf die Nutzung von Techniken des maschinellen Lernens gelegt, um Bilder zu analysieren und Schlussfolgerungen über die Umweltfaktoren zu ziehen, die die Aedes aegypti-Populationen beeinflussen.

Jüngste Forschungen haben darauf abgezielt, Daten aus Luftbildern und Strassenbildern zu kombinieren, um Umweltfaktoren zu identifizieren, die mit Aedes aegypti in Verbindung stehen, und anschliessend Dengue-Fieber-Raten in städtischen Szenarien vorherzusagen. Einige Studien haben untersucht, wie Brutstätten in Strassenbildern erkannt werden können, während andere gesundheitsbezogene Daten mit Bildern kombiniert haben, die von Drohnen aufgenommen wurden, um Hochrisikogebiete zu identifizieren, was die Nützlichkeit dieser Techniken in der öffentlichen Gesundheit weiter verdeutlicht.

#Überblick über das Forschungsgebiet

Diese Studie konzentriert sich speziell auf Campinas, eine Stadt im Bundesstaat São Paulo, Brasilien, die über eine Million Einwohner hat. Die Stadt kämpft seit 1991 gegen Aedes aegypti-Befälle, wobei die Dengueübertragung 1996 begann. Seitdem gibt es einen Anstieg der gemeldeten Fälle, mit über 175.000 Dengue-Fällen von 2010 bis 2023.

Campinas hat in den letzten Jahren grosse Dengue-Ausbrüche erlebt, und das Gesundheitsministerium hat es als Prioritätsgebiet eingestuft, aufgrund der hohen Inzidenz der Krankheit und ihrer geografischen Lage. Das umfangreiche Verkehrssystem der Stadt trägt zur potenziellen Verbreitung von durch Mücken übertragenen Krankheiten bei.

Das Forschungsgebiet umfasst 1.293 städtische Volkszählungsgebiete. Das Projekt nutzt hochauflösende Satellitenbilder, um Daten über die Gebäudefassaden in diesen Gebieten zu sammeln.

#Datensammlung und -strukturierung

Um den PCI zu bewerten, wurden städtische Volkszählungsgebiete basierend auf spezifischen Kriterien ausgewählt, einschliesslich sozialer Vulnerabilitätsindikatoren und Haushaltszahlen. Eine systematische Zufallsauswahl ergab 1.054 geeignete Volkszählungsgebiete, die durch Sampling reduziert wurden, was zur Auswahl von 200 Gebieten für die Feldarbeit führte.

Die Datensammlung erfolgte durch zwei Runden von Feldarbeiten, die sich auf verschiedene Merkmale konzentrierten, die den PCI beeinflussen. Zu den Merkmalen gehörten Gebäudetypen, Fassadenbedingungen, Hinterhofbedingungen, Beschattung, Pflasterung, Dachmaterialien und potenzielle Brutstätten für Mücken.

Um den Datensammlungsprozess zu erleichtern, wurde eine mobile Anwendung erstellt. Die Feldteams wurden geschult, um die Gebäudebenutzer zu bewerten und Fotos zu machen. Die Daten wurden offline gespeichert und später in eine zentrale Datenbank zur Analyse hochgeladen.

Nach der Datensammlung beinhaltete der vorläufige Datensatz verschiedene Aufzeichnungen, die gesäubert und gefiltert wurden, um Fehler und Duplikate zu entfernen, was zu einem finalen Datensatz führte, der für die Analyse geeignet war.

Zusätzlich wurden Google Street View-Bilder als ergänzende Methode gesammelt, um das Volumen der verfügbaren Fassadenbilder zu erhöhen. Diese Methode ermöglicht es, schnell eine beträchtliche Anzahl von Bildern über grosse Gebiete zu sammeln, wodurch die Notwendigkeit für physische Gebäudeinspektionen reduziert wird.

Die Fassaden wurden basierend auf PCI-Werten kategorisiert, die als Grundlage für das Training eines Deep-Learning-Modells dienten. Die Architektur des Modells wurde basierend auf dem Gleichgewicht zwischen Genauigkeit und Rechenleistung ausgewählt.

#Ergebnisse

Die Datenanalyse ergab, dass die meisten untersuchten Gebäude in Campinas in gutem oder mittlerem Zustand waren. Ein erheblicher Teil der Gebäude war vollständig gepflastert, und viele wiesen Anzeichen mangelhafter Instandhaltung auf. Diese Studie fand eine starke Korrelation zwischen den Fassadenbedingungen der Gebäude und dem gesamten PCI, was darauf hinweist, dass die Fassadenbedingungen als verlässliche Indikatoren für das Risiko der Mückenbrut dienen könnten.

Das entwickelte KI-Modell, das als PCINet bezeichnet wird, wurde auf Basis der gesammelten Daten trainiert, um den PCI basierend auf Bildern von Gebäudefassaden vorherzusagen. Das Modell wurde rigoros mit einer K-Fold-Kreuzvalidierung getestet, um die Zuverlässigkeit sicherzustellen. Die Ergebnisse zeigten, dass das Modell in der Lage war, zwischen verschiedenen Fassadenbedingungen zu unterscheiden, einige Klassen jedoch schwieriger zu handhaben waren, insbesondere bei der Unterscheidung eng verwandter Abstufungen.

Das Modell wurde gegen einen separaten Datensatz getestet, der aus Google Street View-Bildern gesammelt wurde, um seine Generalisierbarkeit zu überprüfen. Die von PCINet gemachten Vorhersagen wurden mit von Menschen gekennzeichneten Daten verglichen, wobei sich zeigte, dass das Modell in der Lage war, Hochrisikogebiete effektiv zu identifizieren, obwohl es aufgrund von Unterschieden in der Bildqualität und -bedingungen einige Herausforderungen gab.

Insgesamt stellte sich die Nutzung von maschinellem Lernen zur Analyse von Fassadenbildern als effektive Methode zur Bewertung der Gebäudebedingungen und zur Identifizierung von Hochrisikogebieten für die Mückenbrut heraus. Dieser Ansatz könnte die Bemühungen der Schädlingsbekämpfungsbehörden erheblich rationalisieren, indem er schnellere Bewertungen über grössere städtische Gebiete ermöglicht.

#Diskussion

Die Studie hebt das Potenzial von KI hervor, Ansätze zur Bekämpfung von durch Mücken übertragenen Krankheiten zu revolutionieren. Durch die Nutzung von Bilddaten und maschinellem Lernen können die Gesundheitsbehörden Ressourcen effektiver zuweisen und Bereiche priorisieren, in denen Interventionen am dringendsten benötigt werden. Die Verwendung von Fassadenbedingungen als Vorhersage des PCI minimiert die Notwendigkeit für umfangreiche Feldbesuche, die kostspielig und zeitaufwendig sein können.

Während die Ergebnisse vielversprechende Möglichkeiten bieten, werfen sie auch Fragen zur Konsistenz und Genauigkeit der von Menschen erzeugten Labels für Fassadenbedingungen auf. Die subjektive Natur dieser Klassifikationen kann zu Variationen führen, die die Leistung des Modells beeinträchtigen. Zukünftige Forschungen sollten sich auf die Verfeinerung des Labeling-Prozesses konzentrieren und die Beziehungen zwischen Fassadenbedingungen und Mückenbrut-Risiken weiter untersuchen.

Darüber hinaus ist es wichtig, die breiteren Implikationen des Einsatzes von KI in öffentlichen Gesundheitsstrategien zu berücksichtigen. Die Fähigkeit, Risiken schnell über grosse Regionen zu bewerten, kann die Effektivität von Programmen zur Bekämpfung von Mücken deutlich verbessern, insbesondere in ressourcenarmen Umgebungen. Es ist jedoch entscheidend, diese technologischen Fortschritte mit traditionellen Massnahmen der öffentlichen Gesundheit zu kombinieren, um einen umfassenden Ansatz zur Krankheitsprävention zu schaffen.

#Fazit

Zusammenfassend zeigt diese Studie, dass KI und maschinelles Lernen die Überwachung und Kontrolle von durch Mücken übertragenen Krankheiten erheblich verbessern können. Durch die Vorhersage des PCI basierend auf Bildern von Gebäudefassaden können Gesundheitsbehörden Interventionen in städtischen Gebieten, die anfällig für Aedes aegypti-Befälle sind, besser priorisieren. Die Entwicklung von PCINet unterstreicht den Wert der Kombination innovativer Technologien mit bestehenden Strategien im Bereich der öffentlichen Gesundheit, um die Effektivität der Vektorkontrollprogramme zu verbessern.

In der Zukunft wird es entscheidend sein, diesen Ansatz weiter zu verfeinern und den Datensatz zu erweitern, um die Genauigkeit des Modells weiter zu steigern. Die Integration von sozioökonomischen und umweltbezogenen Daten könnte robustere Bewertungen ermöglichen und letztendlich zu besseren Ergebnissen für die öffentliche Gesundheit führen.