《PLOS Pathogens》:Applications of computer vision in mosquito-borne diseases: A systematic review
编辑推荐:
蚊媒病(mosquito-borne diseases, MBDs)仍是重大的全球健康挑战。媒介监测(vector surveillance)、病原体检测(pathogen detection)与临床诊断(clinical diagnosis)是防控工作的核心
蚊媒病(mosquito-borne diseases, MBDs)仍是重大的全球健康挑战。媒介监测(vector surveillance)、病原体检测(pathogen detection)与临床诊断(clinical diagnosis)是防控工作的核心环节,但受限于劳动密集型流程和专业人员短缺。计算机视觉(computer vision, CV)为MBDs管理全链条的可扩展自动化提供了机遇。本研究依据PRISMA 2020指南开展系统综述,检索PubMed、Scopus与IEEE Xplore数据库中2010年1月1日至2025年12月31日期间应用CV于MBDs研究或防控的文献,共筛选1521条记录,纳入650项研究。研究人员按CV应用领域、数据类型、算法路径与数据采集方法对研究进行分类,并开展描述性定量分析与定性主题综合。结果显示,CV在MBDs研究中的应用在review期间显著增长;多数研究聚焦诊断应用,尤以疟疾显微镜检查中的疟原虫(Plasmodium)检测为主。近期工作更多引入深度学习(deep learning, DL)模型用于蚊种分类、无人机(unmanned aerial vehicle, UAV)与卫星影像生境制图、以及基于智能手机的无创诊断成像;新兴方向包括三维(three-dimensional, 3D)蚊虫行为分析与物联网(Internet of Things, IoT)赋能监测。算法路径由传统图像处理演进至卷积神经网络(convolutional neural network, CNN)、YOLO(You Only Look Once)目标检测器与Transformer架构。然而,多数模型基于小规模、地理受限的数据集开发,缺乏外部或前瞻性验证,且极少在真实运行环境中评估,限制了其向公共卫生实践转化的成熟度。
蚊媒病(mosquito-borne diseases, MBDs)由疟原虫(Plasmodium spp.)、登革病毒、寨卡病毒、基孔肯雅病毒与黄热病毒等病原体引起,每年造成数亿人感染,全球超过三分之二人口处于传播风险区。气候变化、城市化、土地利用变化与人口流动持续扩张媒介蚊分布范围,使媒介监测、生境制图、临床诊断与病原体检测高度依赖人工目视判读,面临昆虫学家短缺、实验室门槛高、显微镜与分子检测难以在低资源地区规模化等瓶颈。计算机视觉(computer vision, CV)从早期基于规则的图像处理,发展到融合机器学习与深度学习的智能视觉解析,被认为有望贯通MBDs管理全链条;但既有证据分散在公共卫生、流行病学、昆虫学、遥感、数字病理等多个领域,缺乏覆盖“应用域—数据类型—算法—采集方式—转化就绪度”的整体综合。研究人员据此开展系统综述,旨在刻画15年间CV在MBDs中的版图、方法演进与落地障碍。
研究人员按PRISMA 2020指南检索PubMed、Scopus与IEEE Xplore(2010-01-01至2025-12-31,英文同行评议原始研究),初检11349条,去重后题录摘要筛除9828条,全文评估1521条,最终纳入650项研究;围绕4个预设问题(应用领域、数据类型、算法、采集方式)抽取数据,并借鉴PROBAST-AI要素做描述性质量评价(数据集代表性、过拟合风险、外部/现场验证、代码数据可得性)。
关键技术方法可概括为:系统综述与PRISMA流程控制;多库检索策略(CV/AI/ML概念×蚊媒与主要MBDs);双独立筛选与第三方仲裁;结构化数据抽取框架(RQ1–RQ4);描述性统计与时间序列主题综合;算法归类(阈值/形态学/手工特征 → SVM、随机森林、k-NN、k-means → CNN、YOLO、分割网络、Transformer趋向);采集模态归类(显微镜、数码相机、无人机UAV、卫星、智能手机、光谱仪);转化就绪度判定(前瞻性评估、决策影响、常规工作流整合、外部验证)。样本来源为已发表文献中的血涂片、蚊体/卵/幼虫/蛹图像、生境遥感影像、视网膜图像与药物疫苗筛选数据集,无新增湿实验队列。
主要结论:CV在MBDs研究中的产出由2010年3篇升至2025年100篇,2018年后加速;诊断成像约占三分之二且早期占绝对主导(以疟疾血涂片Plasmodium检测为核心),2015年后蚊种识别与媒介监测增速最快,2021年后出现病原体检测、3D行为分析、治疗相关成像。数据类型从血涂片单一主导转向蚊成虫/卵/幼虫/蛹/生境、病原体、视网膜、药筛多源并存;算法从经典图像处理(2010–2013占比>80%)经传统机器学习(2014–2017)过渡到2018年后深度学习主导(2020年后多数年份>70%,含CNN、YOLO、分割网络,2021后现Transformer趋向);采集从显微镜主导扩展到数码相机、UAV、卫星、智能手机。转化层面仅140/650(21.54%)涉及前瞻性评估、决策影响或工作流整合,其中102项前瞻、24项影响决策、14项进入常规流程;仅11项(1.7%)做独立外部或运行验证。核心局限为小样本单中心、地理受限、标注一致性报告不足、跨设备跨生态泛化差、低资源部署与伦理治理缺位。
3 Results
3.1 Study selection
初检11349条,题摘筛除9828条,全文评估1521条,纳入650项,流程与S2附录对应,构成后续所有定量描述的分母。
3.2 Overall publication trends
年度产出由2010年3篇增至2025年100篇,2015年前缓增、2018后陡升;早期以图像处理/规则法为主,后期学习类方法占优,诊断蓝线全程最大,蚊种识别橙线与媒介监测紫线2018后最快。
3.3 Applications of computer vision in MBD management
四大应用域中诊断成像约三分之二且2010–2014垄断;蚊种识别与媒介监测2015起抬头、2018后最快;病原体检测、行为分析、治疗成像2021–2025显现,但未撼动诊断首位。
3.4 Types of data used
2010–2015血涂片占多数年份>2/3;约2013起蚊源数据(成虫为主、卵次之,因登革等需卵计数)进入,2018约占1/4,2020–2025逼近血涂片;病原体图、疟疾视网膜病变图、药筛图后期增多但总量小。
3.5 The algorithmic landscape
2010–2013经典图像处理(阈值、形态学、颜色分割、手工特征)>80%;2014–2017 SVM/随机森林/k-NN上升,k-means间歇出现;2016–2018深度学习切入,2019–2020起主导,2020后多数年份>70%(CNN分类、YOLO检测、分割网络、视频行为分析),Transformer虽未单独标目但2021后多样性陡增与之吻合。
3.6 Data acquisition methods
显微镜全程主导(薄/厚血涂片、体视显微镜蚊体);2014后数码相机上升,2016后UAV与卫星用于生境制图,智能手机成像2020后 modest 增长,光谱仪罕见;整体由实验室台面转向“实验室+田间+地理空间”混合。
3.7 Reported limitations
650项中仅140(21.54%)触及前瞻/决策/工作流(三者非互斥:102前瞻、24决策、14整合);小样本单中心、地理受限、标注协议与评注者一致性少报、指标不统一、少与临床/昆虫专家基准比对、采集设备与光照未控、低资源部署与数据治理(同意、隐私、所有权)缺位。
4 Discussion
CV已从疟疾显微镜自动化的单点证明,扩展为覆盖媒介、环境、临床、药筛的数字公共卫生工具链。数据集异质性决定算法选型无万能解:手工特征可解释、需样少但怕田间变异;CNN适合血涂片与蚊体分类;YOLO类适配诱蚊灯/卵trap实时计数;Transformer潜力大但吃数据算力。采集端从显微镜走向UAV/卫星/手机,正重塑“去中心化监测”;但现有智能诱捕器几乎全偏向城市容器型Aedes aegypti/Aedes albopicti(登革/寨卡/基孔肯雅),Anopheles 疟疾媒介的CV监测明显空白。转化鸿沟集中在外推性:地理受限训练集+同池随机划分高估性能,Ong等报道MobileNetV2蚊分类器在田间图上性能骤降;仅11项(1.7%)做外部/运行验证。作者主张最低证据标准应含前瞻田间评估、跨生态外部验证、与现行操作对照;并呼吁FAIR数据、分层报告(地理/季节/生态)、部署后性能监控、离线低成本硬件(太阳能站、手机端)与监管治理同步。CV输出宜定位为决策支持信号(优先巡查区、精准灭幼),而非独立决策者;下一步红利在多模态融合(环境传感+基因组+气候+流行病学)而非单纯堆架构。
研究结论翻译:总之,计算机视觉正日益成为应对蚊媒病的数字卫生系统的核心组成部分。通过梳理过去15年间计算机视觉的方法演进、应用领域与部署挑战,本综述为把技术创新与公平性、治理及公共卫生优先事项相对齐提供了证据基础——这是数字工具能否实质性降低蚊媒病全球负担的关键一步。展望未来,后续进展将较少取决于模型架构的渐进式改进,而更多依赖标准化数据集、可解释人工智能(explainable artificial intelligence, XAI)、多模态学习,以及与数字监测基础设施的无缝整合。将计算机视觉与环境传感器、基因组监测、气候数据和流行病学信息相结合,有望构建更全面的预警系统,支撑精准媒介控制与疫情预测。