Künstliche Intelligenz erkennt Stechmückenarten am Flügelbild

Forscher des Bernhard-Nocht-Institut für Tropenmedizin (BNITM) setzten dafür bei den Flügeln der Stechmücken an. Sie entwickelten ein auf maschinellem Lernen basiertes System, das Stechmücken anhand der Flügelmuster klassifiziert. Die Forschungsergebnisse erschienen in der Zeitschrift "PLOS Computational Biology".

Feine Adermuster auf Flügeln sind arttypisch

Stechmücken großflächig zu überwachen ist eine Herausforderung. Aber um frühzeitig warnen zu können und Krankheitsausbrüche von stechmückenübertragenen Erregern zu verhindern oder einzudämmen, ist genau das wichtig. Erfahrene Insektenforscher gibt es jedoch immer weniger und aufwändige Laboruntersuchungen sind teuer. Um hier Abhilfe zu schaffen, konzentrierten sich Dr. Renke Lühken, Leiter der Nachwuchsgruppe Arbovirus-Ökologie und der Arbeitsgruppe Vektorkontrolle am BNITM, und sein Team auf Künstliche Intelligenz (KI).

Für die automatische Bestimmung der Stechmückenarten nutzte das Forschungsteam gezielt die Flügel und nicht den ganzen Körper. Denn die feinen Adermuster auf den Flügeln – feine verzweigte Linien – sind für jede Art typisch, ähnlich wie ein Fingerabdruck beim Menschen. Zudem verändern sich die Flügel nicht, wenn eine Stechmücke älter wird oder Blut gesaugt hat, während sich der Körper dabei stark unterscheiden kann. Weil Flügel flach sind, ist es besonders einfach, standardisierte Bilder von ihnen zu erstellen. Das hilft der KI, sogar anhand weniger Beispiele die Muster von seltenen Arten zu erkennen.

Wie der Mosquito Wing Classifier funktioniert

Die Forscher setzten für ihr System, den Mosquito Wing Classifier, auf eine besondere Form der KI: ein sogenanntes "Convolutional Neural Network". Dabei handelt es sich um ein Netzwerk, das sich besonders gut für die Analyse von Bildern eignet. Ein solches Netzwerk kann nach einem Lernprozess Strukturen, Muster oder Objekte selbstständig erkennen.

Der Trainingsprozess läuft wie folgt ab: Die Forscher zeigen dem Netzwerk viele Tausend bereits klassifizierte Flügelbilder. Es lernt dabei, nützliche Muster in den Bildern zu extrahieren und zu klassifizieren. Die typischen Aderverläufe in den Flügeln spielen hier eine wichtige Rolle.

Am Anfang macht die KI Fehler und erkennt Arten falsch. Aber sie lernt aus diesen Erfahrungen, bis sie sehr zuverlässig klassifizieren kann. So lernt die KI eigenständig, welche Muster zu welcher Art gehören. Das nun "trainierte Netzwerk" ist in der Lage, diese Muster in neuen, ihm unbekannten Bildern zu erkennen und ordnet diese automatisch den passenden Stechmückenarten zu.

"Das System erkennt selbstständig Muster, ohne dass wir das explizit programmieren mussten. Wir haben unser Netzwerk mit 14 .000 Flügelbildern, aufgenommen mit unterschiedlichen Geräten, von 21 Stechmückenarten trainiert. Unser System kann nun mit einer Genauigkeit von 98,2 Prozent neue Flügelbilder automatisch einer Stechmückenart zuordnen", so Kristopher Nolte, Erstautor der Studie und Doktorand in der Gruppe Vektorkontrolle.

Klassifikationsgenauigkeit von über 98 Prozent

Damit die Künstliche Intelligenz wirklich die entscheidenden Merkmale der Mückenflügel erkennt und sich nicht von Nebensächlichkeiten täuschen lässt, entwickelten die Forschenden einen mehrstufigen Aufbereitungsprozess für die Bilder. Er entfernt Störeinflüsse wie unterschiedliche Hintergründe oder Farbunterschiede.

Die Studie zeigt, dass Künstliche Intelligenz die Artbestimmung von Stechmücken erheblich vereinfachen kann. Der Mosquito Wing Classifier erreichte eine sehr hohe Klassifikationsgenauigkeit von über 98 Prozent, selbst bei schwer unterscheidbaren Artenpaaren. In einer Vergleichsstudie erreichten erfahrene Experten bei der Bestimmung von Stechmückenarten anhand von Fotos im Durchschnitt nur 81,5 Prozent Genauigkeit. Besonders robust zeigte sich die KI-Methode gegenüber bisher unbekannten Aufnahmegeräten und funktionierte unter realen Bedingungen zuverlässig. Die Forscher stellen das Klassifikationssystem als frei zugängliche Anwendung bereit. Es kann entweder über eine Webplattform genutzt oder lokal auf Laptops und Computern in Feldstationen installiert werden. cm/BNITM