Resumen Técnico: LarvaFormer – Una Herramienta de Aprendizaje Profundo Híbrida para el Reconocimiento de Larvas de Mosquito

1. Planteamiento del Problema

Las enfermedades transmitidas por mosquitos (p. ej., malaria, dengue, chikungunya) causan más de 700,000 muertes anualmente. Los métodos de control tradicionales dirigidos a los mosquitos adultos suelen ser ineficaces debido a la movilidad de los adultos y los riesgos ambientales asociados con el uso excesivo de pesticidas. Por el contrario, atacar la etapa de larva ofrece un enfoque más sostenible, ya que las larvas son inmóviles y están confinadas a hábitats acuáticos. Sin embargo, la identificación precisa de las larvas es crítica pero desafiante; tradicionalmente depende del examen morfológico manual por parte de taxónomos capacitados, lo cual es lento y propenso a errores, especialmente al distinguir entre especies visualmente similares (p. ej., Aedes aegypti y Aedes albopictus). Si bien el aprendizaje profundo ha mostrado ser prometedor, los modelos existentes a menudo luchan con los matices morfológicos específicos requeridos para una clasificación biológica de alta precisión, particularmente al equilibrar los detalles de textura local con los patrones contextuales globales.

2. Metodología: El Marco de Trabajo LarvaFormer

El artículo propone LarvaFormer, una novedosa arquitectura de aprendizaje profundo híbrida que integra sinérgicamente Redes Neuronales Convolucionales (CNN) y Vision Transformers (ViT) para abordar las limitaciones de los modelos de paradigma único. El marco está diseñado para capturar tanto detalles anatómicos finos como patrones morfológicos holísticos.

Componentes de la Arquitectura

El modelo consta de cuatro componentes primarios que operan en una configuración de flujo paralelo:

1. Extracción de Características en Paralelo:
   • Flujo CNN: Utiliza un backbone DenseNet-121 (preentrenado en ImageNet-1K) para extraer características locales jerárquicas, produciendo un tensor de características de $1024 \times 7 \times 7$.
   • Flujo ViT: Emplea un Vision Transformer de 4 capas con incrustación de parches (parches de 14$\times$14 + token CLS) y atención de múltiples cabezales para modelar las relaciones contextuales globales, produciendo un tensor de características de $197 \times 768$.
2. Módulo de Fusión Cruzada Bidireccional:
   • Resuelve la disparidad de resolución espacial entre la cuadrícula de la CNN ($7 \times 7$) y los tokens de la ViT ($14 \times 14$) mediante interpolación bilineal (upsampling).
   • Proyección hacia Adelante (Forward Projection): Las características de la CNN se proyectan en el espacio de incrustación de la ViT y se fusionan con los tokens de parches de la ViT.
   • Modulación Inversa (Reverse Modulation): Las características de la ViT generan pesos de atención para modular las características de la CNN interpoladas, asegurando un flujo de información bidireccional.
3. Mecanismo de Atención de Características:
   • Un módulo especializado que pondera adaptativamente las características basadas en rasgos morfológicos (p. ej., estructura del sifón, patrones de anillos). Emplea parámetros aprendibles para combinar puntuaciones de atención para rasgos específicos, mejorando la capacidad del modelo para enfocarse en regiones anatómicas discriminativas.
4. Controlador de Búsqueda de Arquitectura Neuronal (NAS):
   • Un mecanismo de NAS diferenciable que aprende los pesos de combinación óptimos ($\beta_1, \beta_2$) para los flujos de características de la CNN y la ViT durante el entrenamiento. Esto permite al modelo ajustar dinámicamente la contribución de cada flujo sin ajuste manual, optimizando la fusión de las representaciones locales y globales.

Datos y Entrenamiento

• Conjuntos de Datos: El modelo fue evaluado en dos conjuntos de datos de referencia:
  • MosquitoLarvae-7400: 7,417 imágenes de cuatro especies (Ae. aegypti, Ae. albopictus, An. cracens, Cx. quinquefasciatus) capturadas mediante microscopio y smartphone.
  • MLMI-2024: 800 imágenes de alta resolución de regiones anatómicas específicas (cabeza, sifón, abdomen) de dos especies (Ae. aegypti, Cx. quinquefasciatus).
• Preprocesamiento: Las imágenes se redimensionaron a $224 \times 224$, se mejoraron mediante la conversión al espacio de color LAB y la Ecualización de Histograma Adaptativa Limitada por Contraste (CLAHE), y se aumentaron mediante transformaciones geométricas y fotométricas para equilibrar las distribuciones de clase.
• Implementación: Entrenado utilizando PyTorch con precisión mixta (AMP), optimizador AdamW y un programador de tasa de aprendizaje. El modelo consta de 37.34 millones de parámetros.

3. Contribuciones Clave

Los autores identifican las siguientes contribuciones primarias:

• Arquitectura Híbrida: El desarrollo de LarvaFormer, un marco que explota conjuntamente los sesgos inductivos convolucionales y la atención global basada en Transformers para una clasificación de larvas robusta.
• Fusión de Multimodalidad Cruzada: Una estrategia efectiva para combinar las características de CNN y ViT a través de un módulo de fusión bidireccional y un mecanismo de atención ligero para mejorar la discriminación entre especies visualmente similares.
• Optimización Guiada por NAS: La integración de un controlador de Búsqueda de Arquitectura Neuronal para optimizar automáticamente los pesos de combinación de características, mejorando la generalización entre conjuntos de datos sin el ajuste de diseño manual.
• Evaluación Exhaustiva: Una validación rigurosa que incluye estudios de ablación, análisis de matriz de confusión y visualizaciones de Grad-CAM para demostrar la interpretabilidad y confiabilidad del modelo.

4. Resultados Experimentales

LarvaFormer alcanzó un rendimiento de vanguardia (state-of-the-art) en ambos conjuntos de datos, superando a las CNN independientes (VGG16, ResNet50, DenseNet, EfficientNet, MobileNet) y a los Transformers puros (ViT, Swin Transformer).

• Precisión (Accuracy):
  • MosquitoLarvae-7400: 98.97% de precisión de prueba (una mejora del 3.24% sobre el mejor baseline, EfficientNet).
  • MLMI-2024: 99.50% de precisión de prueba (una mejora del 2.00% sobre el mejor baseline, DenseNet).
• Eficiencia: A pesar de tener 37.34 millones de parámetros, LarvaFormer mantiene un tiempo de inferencia competitivo de 10.85 ms/imagen, ofreciendo un equilibrio favorable entre precisión y costo computacional en comparación con modelos más pesados como VGG16 (138.3M de parámetros) o modelos más ligeros pero menos precisos como MobileNet.
• Estudio de Ablación: El estudio confirmó el valor acumulativo de cada componente. Partiendo de un baseline de DenseNet-201 (91.4%), la adición del backbone ViT, la Fusión de Multimodalidad Cruzada, la Atención de Características y, finalmente, el Controlador NAS, aumentó progresivamente la precisión hasta alcanzar el 98.97% final. El Controlador NAS proporcionó la ganancia individual más significativa (+3.77%).
• Interpretabilidad: Las visualizaciones de Grad-CAM confirmaron que el modelo atiende correctamente a características biológicamente relevantes, tales como las estructuras del sifón, los dientes del pecten y los patrones de bandas abdominales, alineándose con el conocimiento entomológico.

5. Significado y Reivindicaciones

El artículo afirma que LarvaFormer representa un avance significativo en la vigilancia automatizada de mosquitos. Al permitir la identificación de especies rápida, precisa y automatizada, el sistema apoya estrategias de control de mosquitos dirigidas y ambientalmente sostenibles. Específicamente, los autores sostienen que:

• El sistema reduce la dependencia de la identificación manual dependiente de expertos, acelerando así la detección de criaderos.
• El enfoque híbrido captura eficazmente los sutiles patrones morfológicos que distinguen a los vectores de enfermedades, abordando una limitación clave de los intentos previos de aprendizaje profundo.
• La alta precisión e interpretabilidad del modelo lo convierten en una herramienta viable para programas de control de vectores a gran escala, reduciendo potencialmente la necesidad de insecticidas químicos de amplio espectro.

Limitaciones y Direcciones Futuras:
Los autores reconocen modestamente que la generalizabilidad del modelo está actualmente restringida a las especies y condiciones geográficas presentes en los conjuntos de datos de entrenamiento. Señalan que el rendimiento aún no ha sido validado en condiciones de campo del mundo real (p. ej., iluminación variable, turbidez del agua). Se propone como trabajo futuro expandir la diversidad de los conjuntos de datos, integrar datos ambientales y genéticos, y desarrollar versiones ligeras para el despliegue en dispositivos de borde (edge computing) en entornos con recursos limitados.