Pesquisadores desenvolvem e aprimoram um software, com o auxílio de inteligência artificial, para identificar zonas vulneráveis à proliferação do Aedes aegypti, mosquito responsável pela transmissão da Dengue.
Mapeamento das áreas mais prováveis de proliferação do mosquito da dengue
Apesar do recente desenvolvimento de vacinas promissoras contra o vírus da dengue, o controle dessa condição ainda depende da vigilância e do controle dos mosquitos. Identificar áreas de maior risco num município e direcionar os esforços podem melhorar o cenário atual de dengue.
Leia também: Ministério da Saúde incorpora vacina da dengue ao SUS.
Um grupo de pesquisadores da Universidade Federal de Minas Gerais (UFMG), Universidade de São Paulo (USP) e Universidade de Sheffield (Reino Unido) desenvolveu e aprimorou um software que emprega inteligência artificial para identificar áreas de risco para a proliferação do mosquito Aedes aegypti, transmissor da dengue.
Este software automatiza a análise de fotografias aéreas de propriedades, capturadas por drones, e mapeia áreas urbanas com potencial alto de infestação. O avanço tecnológico elimina a necessidade de verificações presenciais nos locais identificados como possíveis criadouros, reduzindo os custos do processo.
O grupo vem trabalhando com essa tecnologia há alguns anos, e um trabalho já foi publicado na revista PLOS ONE, em 2021. Agora, os últimos achados de aprimoramento foram documentados no artigo “Automatic mapping of high-risk urban areas for Aedes aegypti infestation based on building facade image analysis“, que ainda está em revisão.
Como funciona o software?
O professor Jefersson Alex dos Santos, da UFMG e da Universidade de Sheffield, coordenador da pesquisa, explica que a técnica se baseia em algoritmos de aprendizado profundo (deep learning), os quais foram desenvolvidos para identificar caixas d’água e piscinas em imagens de mosaicos obtidas por drones. Esses algoritmos foram refinados utilizando técnicas de transferência de aprendizado, permitindo a detecção de objetos com maior eficiência e utilizando menos amostras.
Recentemente, a pesquisa foi expandida para Campinas. Foram analisados 200 quarteirões, onde foram avaliados três componentes do Índice de Condição de Premissa (PCI) – construção, quintal e sombreamento – além das condições das fachadas e outras características das edificações.
O PCI é reconhecido como uma ferramenta crucial, porém sua medição requer visitas físicas a todas as edificações, tornando o processo extremamente custoso. Neste estudo, os pesquisadores propõem uma abordagem que utiliza imagens das fachadas para prever o PCI. Essa abordagem, denominada PCINet, consiste em uma rede neural profunda treinada com fotos das fachadas, permitindo a avaliação automatizada das condições dos edifícios.
Planos para o futuro
Os resultados obtidos com o PCINet foram promissores, demonstrando boas correlações entre as condições das fachadas e os componentes do PCI. Isso sugere a viabilidade da metodologia para classificar as condições dos edifícios sem a necessidade de visitas físicas.
Os autores também comentam que, apenas das fotos áreas terem sido obtidas com drones, espera-se que no futuro a tecnologia utilize imagens de satélite – o que reduz os gastos e amplia a capacidade das imagens.
—
Referências:
MINISTÉRIO DA SAÚDE. Biblioteca Virtual em Saúde. Pesquisa aprimora inteligência artificial para identificar focos do mosquito da dengue.
UNIVERSIDADE FEDERAL DE MINAS GERAIS. Pesquisadores do DCC aprimoram ferramenta de IA que identifica focos do ‘Aedes aegypti’. 26 de fevereiro de 2024.
Jornal da USP. Pesquisa aprimora inteligência artificial para identificar focos do mosquito da dengue. 01/03/2024. https://jornal.usp.br/?p=729451
Jornal da USP. Mapeamento por imagens aéreas de caixas d’água e piscinas expostas pode ajudar no controle da dengue. 31/03/2022. https://jornal.usp.br/?p=501256
Laranjeira, Camila, et al. Automatic mapping of high-risk urban areas for Aedes aegypti infestation based on building facade image analysis. https://doi.org/10.1101/2023.11.30.23298876
Cunha, H. S., Sclauser, B. S., Wildemberg, P. F., Fernandes, E. A. M., Dos Santos, J. A., Lage, M. O., Lorenz, C., Barbosa, G. L., Quintanilha, J. A., & Chiaravalloti-Neto, F. (2021). Water tank and swimming pool detection based on remote sensing and deep learning: Relationship with socioeconomic level and applications in dengue control. PloS one, 16(12), e0258681. https://doi.org/10.1371/journal.pone.0258681
