Col-Ovo: Smartphone-based artificial intelligence for rapid counting of Aedes mosquito eggs under field conditions

L'article présente Col-Ovo, une solution d'intelligence artificielle accessible via smartphone qui permet un comptage rapide et automatisé des œufs de moustiques *Aedes* dans des conditions réelles de terrain, résolvant ainsi le goulot d'étranglement opérationnel des programmes de surveillance vectorielle.

L'essentiel

🦟 Le Problème : Une Enquête de Détective Trop Lente

Imaginez que vous essayez de compter les grains de sable sur une plage, mais que ces grains sont en fait des œufs de moustiques. Ces moustiques (Aedes aegypti) sont de petits monstres qui transmettent des maladies terribles comme la dengue, le Zika ou la fièvre jaune.

Pour les surveiller, les scientifiques utilisent de petites "pièges" (des ovitraps) où les moustiques viennent pondre. Le problème ? Compter ces œufs à la main est un cauchemar.

• Ils sont minuscules (aussi petits que la tête d'une épingle).
• Ils sont collés sur des bandes de tissu sales, tachées de levure et de sucre (pour attirer les moustiques).
• C'est long, ennuyeux et fatiguant pour les yeux. Un expert met environ 15 minutes pour compter un seul échantillon. C'est trop lent pour arrêter une épidémie à temps !

🚀 La Solution : Col-Ovo, le "Super-Compteur" Intelligent

Les auteurs de l'article (Juan et Diego) ont créé un outil magique appelé Col-Ovo. C'est une intelligence artificielle (IA) qui fonctionne directement sur votre smartphone.

Voici comment cela fonctionne, avec une petite analogie :

1. L'Œil Numérique : Au lieu de regarder les œufs avec des lunettes de grossissement, Col-Ovo utilise un "cerveau" numérique (un modèle appelé YOLOv11m) qui a été entraîné à reconnaître ces œufs.
2. L'Entraînement dans la Vraie Vie : Contrairement aux autres robots qui apprennent dans des laboratoires propres, Col-Ovo a été entraîné avec des photos prises sur le terrain. Il a vu des œufs sales, tachés, cachés sous des débris, et même des photos compressées envoyées par WhatsApp (comme quand on envoie une photo à un ami). Il est donc très robuste, comme un soldat entraîné dans la boue, pas juste sur un tapis de course.
3. La Vitesse de l'Éclair : Là où un humain met 15 minutes, Col-Ovo fait le travail en 25 secondes. C'est comme passer d'un cheval de trait à un avion de chasse !

🛠️ Comment ça marche dans la vie de tous les jours ?

Imaginez que vous êtes un agent de santé dans un quartier.

1. Vous prenez un piège à moustiques.
2. Vous sortez votre téléphone et vous prenez une photo de la bande où les moustiques ont pondu.
3. Vous envoyez la photo sur le site web de Col-Ovo (pas besoin d'installer d'application compliquée).
4. En quelques secondes, l'IA vous dit : "Il y a 450 œufs ici" et elle vous montre même où ils sont sur la photo avec de petits points rouges.

🏆 Pourquoi c'est une révolution ?

• Précision : L'IA est aussi précise qu'un expert humain (voire plus, car les humains se fatiguent et font des erreurs quand il y a trop d'œufs).
• Accessibilité : N'importe qui peut l'utiliser, même sans formation en biologie. Pas besoin de microscopes coûteux.
• Échelle : Avant, on ne pouvait compter que quelques pièges par jour. Maintenant, on peut en compter des centaines. C'est comme passer de la comptabilité manuelle à un logiciel de banque automatique.
• Le Duo Gagnant : Ils ont aussi créé OviLab, une sorte de "bibliothèque numérique" où les experts peuvent vérifier les images et aider l'IA à devenir encore plus intelligente avec le temps.

💡 En Résumé

Col-Ovo, c'est comme donner des super-pouvoirs de vision aux agents de santé. Au lieu de passer des heures à chercher des aiguilles dans une botte de foin (les œufs), l'IA les trouve instantanément, même si la botte est sale.

Cela permet de réagir beaucoup plus vite aux risques d'épidémies, de protéger les communautés et de sauver des vies, le tout avec un simple téléphone portable. C'est de la technologie au service de la santé publique, simple, rapide et efficace.

Résumé technique

1. Problématique

La surveillance des moustiques Aedes aegypti et Aedes albopictus, vecteurs de maladies comme la dengue, le Zika et la fièvre jaune, repose souvent sur des pièges à œufs (ovitraps). La stratégie « OviCol », utilisée en Colombie, propose des pièges à très bas coût intégrant des bioattractifs et un traitement à l'eau chaude pour inactiver les œufs. Cependant, l'élargissement de cette surveillance à grande échelle se heurte à un goulot d'étranglement opérationnel majeur : le comptage manuel des œufs déposés sur les substrats.

• Limites actuelles : Le comptage manuel est lent (environ 15 minutes par échantillon), sujet aux erreurs humaines, nécessite du personnel formé et ne peut pas être facilement mis à l'échelle.
• Défis techniques : Les œufs sont minuscules (~0,065 mm²), souvent agglomérés, et les substrats sont fréquemment contaminés par des bioattractifs (mélasse, levure), du sable ou des débris. De plus, les images sont souvent capturées avec des smartphones et compressées via des applications de messagerie (WhatsApp), ce qui dégrade la qualité visuelle. Les solutions d'IA existantes sont soit confinées aux laboratoires, soit nécessitent un prétraitement d'image complexe ou un matériel spécialisé.

2. Méthodologie

Collecte des données et Échantillonnage

• Échantillons : 275 substrats d'oviposition (bandes de serviettes techniques non tissées de 20,5 cm) collectés dans des conditions de terrain réelles.
• Conditions : Les pièges contenaient des attractifs (mélasse et levure sèche) créant des taches et des contaminants visuels. 100 échantillons supplémentaires ont été collectés sans attractif pour évaluer la performance avec moins de contamination.
• Acquisition d'images : Les images ont été prises avec un iPhone X (12 MP) à pleine résolution, puis partagées via WhatsApp pour simuler les artefacts de compression JPEG réels.
• Annotation de référence : Une plateforme web dédiée, OviLab, a été développée pour permettre l'annotation manuelle précise des œufs par un expert en entomologie médicale, servant de « vérité terrain » (ground truth).

Architecture du modèle d'IA

• Algorithme : Utilisation de YOLOv11m (You Only Look Once), une architecture de détection d'objets en temps réel.
• Stratégie de découpage (Tiling) : Compte tenu de la haute résolution des images et de la petite taille des œufs (~10 pixels), chaque image a été divisée en tuiles de 640x640 pixels avec un chevauchement de 20 % pour éviter de couper les œufs aux bords.
• Augmentation des données : Une stratégie intensive a été appliquée (rotation à 360°, variations d'échelle, flips, mosaïque, mixup, effacement aléatoire, ajustements HSV) pour simuler les conditions de terrain variables (lumière, saleté, orientation).
• Entraînement : Le modèle a été entraîné pendant 150 époques sur un GPU NVIDIA RTX 5090. Le poids de la perte de localisation (box loss) a été augmenté pour améliorer la détection des petits objets.
• Inférence : Lors de l'analyse, l'image est divisée en tuiles, traitée individuellement, puis les détections sont reconstruites sur l'image globale avec une suppression non maximale (NMS) pour éliminer les doublons.

Validation Statistique

• Un sous-ensemble de 30 échantillons indépendants a été utilisé pour comparer trois méthodes : OviLab (référence), comptage manuel par un expert, et Col-Ovo (IA).
• Les échantillons ont été classés par niveau de difficulté (1 à 3) selon le degré de contamination.
• Tests statistiques utilisés : Test de Friedman, test de Wilcoxon, coefficient de corrélation de concordance de Lin, et analyse Bland-Altman.

3. Contributions Clés

1. Développement de Col-Ovo : Un outil d'IA capable de compter automatiquement les œufs d'Aedes directement à partir d'images de smartphones, sans prétraitement, même avec des images compressées.
2. Plateforme OviLab : Une infrastructure numérique open-source pour l'annotation, la gestion et la réutilisation des jeux de données entomologiques, facilitant la réentraînement des modèles.
3. Robustesse en conditions réelles : Le système fonctionne efficacement sur des substrats sales, tachés par des bioattractifs et contenant des débris, reproduisant fidèlement les contraintes opérationnelles des programmes de santé publique.
4. Accessibilité : Une interface web légère, ne nécessitant aucun matériel spécialisé ni installation logicielle, rendant la technologie accessible aux programmes de surveillance communautaire.

4. Résultats

Performance de Détection

• Le modèle a atteint un mAP@0.5 de 0,825 et un mAP@0.5:0.95 de 0,332.
• Précision : 0,804 ; Rappel : 0,794 ; Score F1 : 0,80.

Comparaison avec le Comptage Humain et la Référence (OviLab)

• Accord : Col-Ovo a montré un accord de >95 % avec les comptages d'experts et 88 % avec les comptages virtuels sur OviLab.
• Précision relative : Contrairement au comptage humain qui sous-estimait fortement les densités élevées (pente de régression de 0,561), Col-Ovo a maintenu une meilleure proportionnalité (pente de 0,785), réduisant l'erreur de sous-estimation proportionnelle de moitié.
• Robustesse : Le coefficient de concordance de Lin (ρc) pour Col-Ovo est resté élevé (>0,92) même sur les échantillons difficiles (contaminés), tandis que le comptage humain chutait à 0,794 sur ces mêmes échantillons.
• Erreur absolue moyenne : 23,4 œufs pour Col-Ovo contre 28,6 pour le comptage humain.

Efficacité Opérationnelle

• Gain de temps : Le temps de traitement est passé d'environ 15 minutes (comptage manuel) à 21 secondes (Col-Ovo).
• Débit : Augmentation de la productivité d'un facteur 11,3 (3,2 échantillons/minute contre 0,25 pour la méthode de référence).

5. Signification et Impact

• Surveillance Épidémiologique : Col-Ovo élimine le principal obstacle à la mise à l'échelle de la surveillance par ovitraps, permettant une quantification rapide et fiable des populations de vecteurs.
• Réponse Rapide : La réduction du temps d'analyse de plusieurs minutes à quelques secondes permet une détection plus précoce des pics de densité vectorielle, facilitant une réponse plus rapide aux risques de transmission de maladies.
• Démocratisation de la Technologie : En éliminant le besoin de matériel coûteux ou de prétraitement d'images, l'outil rend l'intelligence artificielle accessible aux régions à ressources limitées où la charge de morbidité des arboviroses est la plus élevée.
• Durabilité : L'intégration avec OviLab crée un cycle vertueux d'amélioration continue des modèles grâce à l'accumulation de données annotées, permettant une adaptation future à d'autres espèces d'Aedes ou à de nouveaux contextes écologiques.

En conclusion, Col-Ovo représente une avancée significative vers une surveillance vectorielle automatisée, scalable et adaptée aux réalités du terrain, transformant la collecte de données entomologiques d'une tâche manuelle fastidieuse en un processus numérique efficace.