6/8/2018
Investigación
documental y de campo Informe final - Detección del vector
Aedes aegypti y Aedes albopictus a
través de aprendizaje profundo
Rogelio Adrián Hernandez Becerril
Table of Contents Introducción .................................................................................................................................................. 2
Objetivo general: ...................................................................................................................................... 3
Objetivos específicos: ............................................................................................................................... 3
Metodología .................................................................................................................................................. 3
Transmisión ............................................................................................................................................... 4
Características ........................................................................................................................................... 4
Bases teóricas ........................................................................................................................................... 5
Prevención y control ............................................................................................................................. 5
Resultados ..................................................................................................................................................... 7
Conclusiones y recomendaciones ............................................................................................................... 13
Referencias y fuentes de consulta .............................................................................................................. 13
Anexos ......................................................................................................................................................... 13
Introducción En las últimas décadas ha aumentado enormemente la incidencia de dengue en el mundo. El número real
de casos de dengue está insuficientemente notificado y muchos casos están mal clasificados. Según una
estimación reciente, se producen 390 millones de infecciones por dengue cada año (intervalo creíble del
95%: 284 a 528 millones), de los cuales 96 millones (67 a 136 millones) se manifiestan clínicamente
(cualquiera que sea la gravedad de la enfermedad).1 En otro estudio sobre la prevalencia del dengue se
estima que 3900 millones de personas, de 128 países, están en riesgo de infección por los virus del
dengue.2
Los Estados Miembros de tres regiones de la OMS notifican sistemáticamente el número anual de casos.
El número de casos notificados pasó de 2,2 millones en 2010 a 3,2 millones en 2015. Aunque la carga total
de la enfermedad a nivel mundial es incierta, el comienzo de las actividades para registrar todos los casos
de dengue explica en parte el pronunciado aumento del número de casos notificados en los últimos años.
Otra característica de la enfermedad son sus modalidades epidemiológicas, en particular la
hiperendemicidad de los múltiples serotipos del virus del dengue en muchos países y la alarmante
repercusión en la salud humana y en las economías nacionales y mundial.
Antes de 1970, solo nueve países habían sufrido epidemias de dengue grave. Ahora, la enfermedad es
endémica en más de 100 países de las regiones de África, las Américas, el Mediterráneo Oriental, Asia
Sudoriental y el Pacífico Occidental. Las regiones más gravemente afectadas son las Américas, Asia
Sudoriental y el Pacífico Occidental.
En 2008, en las regiones de las Américas, Asia Sudoriental y Pacífico Occidental se registraron en conjunto
más de 1,2 millones de casos, y en 2015, más de 3,2 millones (según datos oficiales presentados por los
Estados Miembros a la OMS). En fecha reciente el número de casos notificados ha seguido aumentando.
En 2015, se notificaron 2,35 millones de casos tan solo en la Región de las Américas, de los cuales más de
10 200 casos fueron diagnosticados como dengue grave y provocaron 1181 defunciones.
Además de que el número de casos aumenta a medida que la enfermedad se propaga a nuevas zonas, se
están produciendo brotes epidémicos de carácter explosivo. Europa ya se enfrenta con la posibilidad de
brotes de dengue ya que la transmisión local se notificó por vez primera en Francia y Croacia en 2010, y
se detectaron casos importados en otros tres países europeos. En 2012, un brote de dengue en el
archipiélago de Madeira (Portugal) ocasionó más 2000 casos, y se registraron casos importados en otros
10 países europeos, además de Portugal continental. Entre los viajeros que regresan de países de ingresos
bajos y medianos, el dengue constituye la segunda causa de fiebre diagnosticada tras el paludismo.
En 2013 ha habido casos en Florida (Estados Unidos de América) y la provincia de Yunnan (China). Además,
el dengue sigue afectando a varios países de América Latina, especialmente Costa Rica, Honduras y
México. En Asia se ha notificado un aumento del número de casos al cabo de varios años en Singapur, y
también se han notificado casos en Laos. Las tendencias observadas en 2014 indican un aumento del
número de casos en China, Fiji, las Islas Cook, Malasia y Vanuatu, y que el virus del dengue de tipo 3 (DEN
3) está afectando a los países insulares del Pacífico tras un periodo de 10 años. El dengue se ha notificado
también en el Japón tras un lapso de más de 70 años.
En 2015, en Delhi (India) se registró el peor brote desde 2006, con más de 15 000 casos. La isla de Hawai,
en el estado homónimo de los Estados Unidos de América, se vio afectada en 2015 por un brote con 181
casos, y la transmisión continúa en 2016. Se han seguido registrando casos en estados insulares del
Pacífico: Fiji, Tonga y Polinesia francesa.
El año 2016 se caracterizó por grandes brotes de dengue en todo el mundo. La Región de las Américas
notificó más de 2 380 000 casos ese año, y solo en Brasil hubo poco menos de 1 500 000 casos, es decir,
cerca de tres veces más que en 2014. En la región se notificaron asimismo 1032 muertes por dengue.
En la Región del Pacífico Occidental, en 2016 se notificaron más de 375 000 casos, 176 411 de ellos en
Filipinas y 100 028 en Malasia, cifras que representan una carga similar a la de años anteriores en ambos
países. Las Islas Salomón declararon un brote con más de 7000 casos sospechosos. En la Región de África,
Burkina Faso notificó un brote localizado con 1061 casos probables.
Hasta la semana epidemiológica 11 de 2017, la Región de las Américas había notificado 50 172 casos, cifra
inferior a la registrada en el mismo periodo en años anteriores. En la Región del Pacífico Occidental se han
notificado brotes de dengue en varios Estados Miembros, y la circulación de los serotipos DENV-1 y DENV-
2.
Cada año, unas 500 000 personas que padecen dengue grave necesitan hospitalización, y
aproximadamente un 2,5% fallecen.
Organización Mundial de la Salud (OMS). (2018, February 2)
Objetivo general: Desarrollar algoritmos que permitan reconocer de manera automática el vector Aedes aegypti y Aedes
albopictus en su estado larvario. Para la detección automática se utilizarán algoritmos de procesamiento
de imágenes y algoritmos de aprendizaje automático a través de aprendizaje profundo.
Objetivos específicos: • Generar una base de datos de entrenamiento, desarrollo y prueba de imágenes de muestras
enfocadas en las sedas del octavo segmento de la larva, tomadas a través de un microscopio de
60x. Mínimo se contarán con 500 imágenes.
• Algoritmos de procesamiento de imágenes para reducir el ruido generado por dispositivos de
captura de imagen como lo son microscopio y cámara digital. Procesamiento de la imagen en sus
diferentes canales para reducir el error total en la clasificación.
• Algoritmos de aprendizaje máquina a través de aprendizaje profundo para la detección
automática del vector Aedes aegypti y Aedes albopictus en su estado larvario. Para la clasificación
se utilizarán redes neuronales convolucionales.
• Optimización de los algoritmos de procesamiento de imágenes y de aprendizaje máquina.
Reducción de falsos positivos y falsos negativos en los algoritmos de clasificación. Para considerar
como exitosa la clasificación será necesario un F1-score de al menos .8.
Metodología El dengue es una virosis pandemiógena que se está propagando rápidamente en muchas regiones del
mundo. Prospera en zonas urbanas pobres, suburbios y zonas rurales, aunque también afecta a barrios
más acomodados de países tropicales y subtropicales. Esta infección vírica, transmitida por mosquitos,
produce un síndrome pseudogripal grave y en ocasiones puede derivar en un cuadro potencialmente
mortal conocido como dengue grave. La incidencia de la enfermedad se ha multiplicado por 30 en los
últimos 50 años. Actualmente se estima que se producen entre 50 y 100 millones de infecciones cada año
en los más de 100 países en los que el dengue es endémico, lo que supone un riesgo de infección para
prácticamente la mitad de la población mundial. [1]
Transmisión El vector principal del dengue es el mosquito Aedes aegypti. El virus se transmite a los seres humanos por
la picadura de mosquitos hembra infectadas. Tras un periodo de incubación del virus que dura entre 4 y
10 días, un mosquito infectado puede transmitir el agente patógeno durante toda la vida.
Las personas infectadas sintomáticas y asintomáticas son los portadores y multiplicadores principales del
virus, y los mosquitos se infectan al picarlas. Tras la aparición de los primeros síntomas, las personas
infectadas con el virus pueden transmitir la infección (durante 4 o 5 días; 12 días como máximo) a los
mosquitos Aedes.
El mosquito Aedes aegypti vive en hábitats urbanos y se reproduce principalmente en recipientes
artificiales. A diferencia de otros mosquitos, este se alimenta durante el día; los periodos en que se
intensifican las picaduras son el principio de la mañana y el atardecer, antes de que oscurezca. En cada
periodo de alimentación, el mosquito hembra pica a muchas personas.
Aedes albopictus, vector secundario del dengue en Asia, se ha propagado al Canadá, Norte América y a
más de 25 países en la región de Europa debido al comercio internacional de neumáticos usados (que
proporcionan criaderos al mosquito) y el movimiento de mercancías (por ejemplo, el bambú de la
suerte). Ae. albopictus tiene una gran capacidad de adaptación y gracias a ello puede sobrevivir en las
temperaturas más frías de Europa. Su tolerancia a las temperaturas bajo cero, su capacidad de
hibernación y su habilidad para guarecerse en microhábitats son factores que propician su propagación.
[1]
Características El dengue es una enfermedad de tipo gripal que afecta a bebés, niños pequeños y adultos, pero raras
veces resulta mortal.
Se debe sospechar que una persona padece dengue cuando una fiebre elevada (40 °C) se acompaña de
dos de los síntomas siguientes: dolor de cabeza muy intenso, dolor detrás de los globos oculares, dolores
musculares y articulares, náuseas, vómitos, agrandamiento de ganglios linfáticos o salpullido. Los
síntomas se presentan al cabo de un periodo de incubación de 4 a 10 días después de la picadura de un
mosquito infectado y por lo común duran entre 2 y 7 días.
El dengue grave es una complicación potencialmente mortal porque cursa con extravasación de plasma,
acumulación de líquidos, dificultad respiratoria, hemorragias graves o falla orgánica. Los signos que
advierten de esta complicación se presentan entre 3 y 7 días después de los primeros síntomas y se
acompañan de un descenso de la temperatura corporal (menos de 38 °C) y son los siguientes: dolor
abdominal intenso, vómitos persistentes, respiración acelerada, hemorragias de las encías, fatiga,
inquietud y presencia de sangre en el vómito. Las siguientes 24 a 48 horas de la etapa crítica pueden ser
letales; hay que brindar atención médica para evitar otras complicaciones y disminuir el riesgo de muerte.
Bases teóricas
Prevención y control
• Hoy por hoy, el único método para controlar o prevenir la transmisión del virus del dengue
consiste en luchar contra los mosquitos vectores:
• evitar que los mosquitos encuentren lugares donde depositar sus huevecillos aplicando el
ordenamiento y la modificación del medio ambiente;
• eliminar correctamente los desechos sólidos y los posibles hábitats artificiales;
• cubrir, vaciar y limpiar cada semana los recipientes donde se almacena agua para uso doméstico:
• aplicar insecticidas adecuados a los recipientes en que se almacena agua a la intemperie;
• utilizar protección personal en el hogar, como mosquiteros en las ventanas, usar ropa de manga
larga, materiales tratados con insecticidas, espirales y vaporizadores;
• mejorar la participación y movilización comunitarias para lograr el control constante del vector;
• durante los brotes epidémicos, las medidas de lucha antivectorial de emergencia pueden incluir
la aplicación de insecticidas mediante el rociamiento.
• se debe vigilar activamente los vectores para determinar la eficacia de las medidas de control.
[1]
El siguiente proyecto buscará crear una solución tecnológica que permita realizar la identificación del
vector de forma automática a través de capturas de imágenes de larvas recolectadas por medio de un
teléfono celular con un microscopio 60x. Para la automatización de la detección se utilizará aprendizaje
profundo. En el aprendizaje profundo, cada nivel aprende a transformar sus datos de entrada en una
representación un poco más abstracta y compuesta. En una aplicación de reconocimiento de imágenes,
la entrada puede ser una matriz de píxeles; la primera capa representacional puede abstraer los píxeles y
codificar los bordes; la segunda capa puede componer y codificar arreglos de bordes; la tercera capa
puede codificar una nariz y ojos; y la cuarta capa puede reconocer que la imagen contiene una cara. Es
importante destacar que un proceso de aprendizaje profundo puede aprender qué funciones colocar de
forma óptima en qué nivel por sí mismo. (Por supuesto, esto no elimina por completo la necesidad de
afinación a mano, por ejemplo, el número variable de capas y tamaños de capas puede proporcionar
diferentes grados de abstracción. Para la detección del vector estamos considerando que pueda extraer
las características de las sedas del octavo segmento de la larva.
Un adecuado control vectorial hará una diferencia sustancial en la reducción de casos y serotipos
circulantes, por lo que el mejorar la calidad y velocidad del control vectorial es pieza clave para contener
las enfermedades que porta el vector y anticiparse a ellas [2]. Además de ello, es importante el brindar
técnicas de control vectorial eficaces y de bajo costo a poblaciones vulnerables en zonas aisladas y rurales,
que cuentan con dificultades para la erradicación del vector por desconocimiento o falta de
infraestructura.
Parte del trabajo que se realizará será con el apoyo del Instituto Politécnico Nacional y los autores del
artículo [1]:
A. Sanchez-Ortiz, A. Fierro-Radilla, A. Arista-Jalife, M. Cedillo-Hernandez, M. Nakano-Miyatake ESIME
Culhuacan, Instituto Politécnico Nacional Mexico City, Mexico. [email protected], [email protected]
Figura 1
Hoy por hoy, el único método para controlar o prevenir la transmisión del virus del dengue consiste en
luchar contra los mosquitos vectores. Las medidas de lucha anti-vectorial de emergencia pueden incluir
la aplicación de insecticidas mediante el rociamiento, se debe vigilar activamente los vectores para
determinar la eficacia de las medidas de control. Por lo que la supresión del vector evita la propagación
de estos virus y se verá disminuida de forma radical. Un método efectivo para contrarrestar los mosquitos
Aedes es conocer su ciclo de vida y aplicar acciones eficientes para interrumpirlo. El mosquito Aedes tiene
cuatro fases en su ciclo de vida: huevo, larva, pupa y mosquito, como se muestra en la Fig. 1. Las primeras
tres fases se clasifican como fases acuáticas porque necesitan agua para vivir. En condiciones favorables,
los mosquitos Aedes pueden reproducirse en solo una o dos semanas.
Existen diferentes formas de clasificar los mosquitos, en este trabajo vamos a tomar parte del trabajo
realizado en [1] para la clasificación, utilizando el octavo segmento (VIII) de la larva, donde se puede
observar el patrón en la Figura 2:
Figura 2
El patrón del octavo segmento (VIII) se puede usar para discriminar larvas del género Aedes de otros
géneros. El patrón del octavo segmento de otros géneros se puede ver en la Figura 3.
Figura 3
Dadas estas características constantes en el patrón, es factible poder considerar la detección automática
a través de algoritmos de aprendizaje maquina extrayendo el octavo segmento.
Estaremos utilizando la base de datos que amablemente nos han permitido utilizar los autores del articulo
[1]. Los autores de [1] han diseñado un sistema de adquisición de imágenes que consiste en un una lente
de microscopio conectada a la cámara de un teléfono celular y un soporte para el teléfono. El microscopio
tiene una capacidad de amplificación de 60-100 veces. Este dispositivo podemos observarlo en la Figura
4.
Figura 4
La base de datos cuenta con aproximadamente 300 imágenes de larvas, que son 102 imágenes de Aedes
y 208 imágenes de "No Aedes". Todas las larvas utilizadas para generar los conjuntos de datos se
identificaron previamente y se clasificaron en el Laboratorio de Salud Pública del Estado de Hidalgo en
México basado en el artículo [1].
[1] Sanchez-Ortiz, A & Fierro, Atoany & Arista-Jalife, A & Cedillo-Hernandez, M & Nakano-Miyatake, M &
Robles-Camarillo, Daniel & Cuatepotzo-Jimenez, V. (2017). Mosquito larva classification method based on
convolutional neural networks. 1-6. 10.1109/CONIELECOMP.2017.7891835.
Resultados Se realizó una encuesta dentro de Facebook para poder validar cuantas personas se encuentran en
riesgo, la muestra no es significativa, pero nos puede dar una idea sobre todo del conocimiento de la
población de enfermedades como el dengue o el Zika.
Conclusiones y recomendaciones De la muestra recolectada de encuestas lo que pudimos observar es el gran número de personas que
viajan a zonas de riesgo tanto en el interior como al exterior de la Republica Mexicana. Un 30% de la
población encuestada comento no conocer sobre los riesgos y métodos para prevenir enfermedades por
mosquitos y el 60% de la población no utiliza ningún mecanismo para evitar picaduras de mosquito. En
base a esta encuesta podemos concluir la importancia de tener mecanismos eficaces para la erradicación
de dichas enfermedades. Como siguientes pasos dentro de la investigación será realizar los pasos
descritos en el cronograma para desarrollar un sistema de aprendizaje maquina que permita identificar la
larva portadora de enfermedades. De esta manera podremos prevenir la transmisión del virus del dengue
en zonas de riesgo.
Referencias y fuentes de consulta Angermueller, C., Pärnamaa, T., Parts, L., & Stegle, O. (2016). Deep learning for computational biology.
Molecular Systems Biology, 12(7), 878.
Bhatt S, Gething PW, Brady OJ, Messina JP, Farlow AW, Moyes CL et.al. The global distribution and
burden of dengue. Nature;496:504-507.
Brady OJ, Gething PW, Bhatt S, Messina JP, Brownstein JS, Hoen AG et al. Refining the global spatial
limits of dengue virus transmission by evidence-based consensus. PLoS Negl Trop Dis. 2012;6:e1760.
doi:10.1371/journal.pntd.0001760.
Díaz-Quiñonez, J. A., López-Martínez, I., Torres-Longoria, B., Vázquez-Pichardo, M., Cruz-Ramírez, E.,
Ramírez-González, J. E., … Kuri-Morales, P. (2016). Evidence of the presence of the Zika virus in Mexico
since early 2015. Virus Genes, 52(6), 855–857.
Leparc-Goffart, I., Nougairede, A., Cassadou, S., Prat, C., & Lamballerie, X. de. (2014). Chikungunya in the
Americas. The Lancet, 383(9916), 514.
Organización Mundial de la Salud (OMS). (2018, February 2). OMS. Retrieved from Dengue y dengue
grave: http://www.who.int/es/news-room/fact-sheets/detail/dengue-and-severe-dengue
Patterson, J., Sammon, M., & Garg, M. (2016). Dengue, Zika and Chikungunya: Emerging Arboviruses in
the New World. Western Journal of Emergency Medicine, 17(6), 671–679.
Rampasek, L., & Goldenberg, A. (2016). TensorFlow: Biology’s Gateway to Deep Learning? Cell Systems,
2(1), 12–14.
Sanchez-Ortiz, A & Fierro, Atoany & Arista-Jalife, A & Cedillo-Hernandez, M & Nakano-Miyatake, M &
Robles-Camarillo, Daniel & Cuatepotzo-Jimenez, V. (2017). Mosquito larva classification method based
on convolutional neural networks. 1-6. 10.1109/CONIELECOMP.2017.7891835.
Shepard, D. S., Undurraga, E. A., Halasa, Y. A., & Stanaway, J. rey D. (2016). The global economic burden
of dengue: a systematic analysis. Lancet Infectious Diseases, 16(8), 935–941.
Anexos ENTREVISTA
Tiempo: 30 minutos debido a la agenda complicada de la investigadora.
Adrian: Muy buenos días voy a realizarle un par de preguntas para entender con mayor profundidad cuál
es el impacto de esta investigación, qué es lo que han estado realizando y en que me puedo enfocar para
contribuir con la investigación.
Adrian: ¿Cuál es el impacto que tiene el virus en la sociedad?
Investigador: En muchas regiones del país el mosquito Aedes transmite muchas enfermedades y esto ha
provocado que se considere como un tema de salud pública. La principal estrategia para detener las
enfermedades es suprimir el vector y esto se debe hacer identificando el octavo segmento en su estado
de larva. Para ciertas zonas alejadas de la ciudad representa un reto muy importante poder analizar a
tiempo las larvas ya que están deben enviarse a laboratorios alejados de la zona, lo que provocó que
muchas veces no se pueda detener.
Adrian: ¿Cuántas imágenes tienen recolectadas?
Investigador: Se tienen recolectadas 300 imágenes, 102 imágenes de “Aedes” y 208 imágenes “No Aedes”.
La clasificación de las imágenes se realizó en el Laboratorio de Salud Pública del Estado de Hidalgo.
Adrian: ¿Qué mecanismo están utilizando para la captura de las imágenes?
Investigador: Para la captura de imágenes se está utilizando un microscopio conectado al teléfono celular,
se está utilizando este mecanismo para que en las zonas remotas sea una manera de sencilla de tomar la
muestra. Debido a la calidad de la imagen es necesario realizar un procesamiento a la imagen para poder
extraer las características del octavo segmento.
Adrian: ¿Qué algoritmos se están utilizando para la detección?
Investigador: Se esta utilizando una red llamada Alexnet, esta red neuronal fue desarollada por Alex
Krizhevsky, Ilya Sutskever y Geoff Hinton. Esta red es mucho mas profunda que LeNet.
Adrian: ¿Qué algoritmos podría estar utilizando para continuar con la investigación?
Investigador: Realizar una red profunda desde cero para reducir el error en la detección, así como mejorar
el procesamiento de la imagen. Existe diferentes algoritmos que de procesamiento de imagen que se
pueden utilizar, ya que solo una porción de la imagen es relevante para la clasificación que es en donde
se encuentra el octavo segmento.
Adrian: Agradezco mucho el tiempo que me ha otorgado y la claridad de sus respuestas.
Top Related