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

O artigo apresenta o Col-Ovo, uma ferramenta de inteligência artificial acessível via smartphone que automatiza a contagem rápida e precisa de ovos de *Aedes aegypti* em condições de campo reais, superando o gargalo operacional da contagem manual e integrando-se à plataforma OviLab para fortalecer a vigilância vetorial.

O essencial

Imagine que você é um detetive tentando encontrar pistas de um vilão invisível: o mosquito Aedes aegypti, que transmite doenças perigosas como dengue, zika e chikungunya.

Para pegar esse vilão, os cientistas usam "armadilhas" (chamadas de ovitrampas) que são basicamente potes com água e cheiro de comida para atrair as fêmeas. Quando elas põem ovos nessas armadilhas, os técnicos precisam contar quantos ovos existem para saber se o perigo está aumentando.

O Problema: A Contagem Manual é uma Tortura
Pense nos ovos do mosquito: eles são minúsculos, do tamanho de um grão de areia fina. Contá-los manualmente é como tentar achar agulhas num palheiro, mas as agulhas são invisíveis a olho nu e o palheiro está sujo de lama e restos de comida.
Antes, um técnico precisava pegar uma foto desses ovos, olhar no microscópio ou com uma lupa, e contar um por um. Isso levava 15 minutos para apenas uma amostra. Se você tivesse 1.000 armadilhas para analisar, levaria dias! Além disso, o cansaço fazia as pessoas errarem a contagem.

A Solução: O "Col-Ovo" (O Contador Mágico)
Os autores do artigo criaram um "super-olho" feito de inteligência artificial chamado Col-Ovo. É como se você tivesse um assistente digital super-rápido que consegue olhar uma foto tirada com o celular comum e contar os ovos instantaneamente.

Aqui está como funciona, usando analogias simples:

1. Treinamento de um Atleta:
   A inteligência artificial (o cérebro do sistema) foi treinada com milhares de fotos reais tiradas no campo. Não foram fotos perfeitas de laboratório. Eles mostraram para a IA fotos com sujeira, manchas de melado (usado para atrair o mosquito), areia e até fotos que foram enviadas pelo WhatsApp (que perdem qualidade).
   Analogia: É como treinar um jogador de futebol não apenas em um campo gramado perfeito, mas também na lama, na chuva e com a bola cheia de barro, para que ele saiba jogar em qualquer situação.

2. O Processo de "Cortar e Analisar":
   Como a foto é grande e os ovos são minúsculos, o sistema "corta" a imagem em muitos quadradinhos pequenos (como um quebra-cabeça), analisa cada quadradinho individualmente e depois junta tudo de novo.
   Analogia: Imagine que você tem um mapa gigante de uma cidade e precisa achar todas as casas vermelhas. Em vez de olhar o mapa inteiro de uma vez, você usa uma lupa e divide o mapa em pedaços pequenos, conta as casas em cada pedaço e depois soma o total.

3. Velocidade de Superalínea:
   Onde um humano levava 15 minutos (ou cerca de 242 segundos), o Col-Ovo faz a mesma tarefa em 21 segundos.
   Analogia: É a diferença entre alguém correndo a pé para entregar uma carta e um drone de entrega que chega em segundos. O sistema é 11 vezes mais rápido.

4. Precisão e Confiança:
   O estudo mostrou que o Col-Ovo é tão preciso quanto um especialista humano olhando com uma lupa digital, mas sem o cansaço. Mesmo quando os ovos estão muito juntos (formando "aglomerados") ou a foto está suja, o sistema continua acertando muito mais do que o humano.
   Analogia: Enquanto o humano começa a se confundir quando vê muitos ovos juntos (como tentar contar grãos de areia numa tempestade), o robô mantém a calma e conta cada um corretamente.

Por que isso é importante para o mundo?
Com essa ferramenta, os governos e comunidades podem:

• Monitorar mais rápido: Analisar milhares de armadilhas em poucas horas em vez de dias.
• Agir antes: Se o número de ovos subir, eles sabem que o risco de dengue está aumentando e podem agir antes que as pessoas adoeçam.
• Usar tecnologia simples: Não precisa de computadores caros ou microscópios. Basta um celular comum e uma internet (ou até enviar a foto pelo WhatsApp).

Resumo Final:
O Col-Ovo é como dar um "superpoder" de visão e velocidade para os agentes de saúde. Ele transforma uma tarefa chata, lenta e difícil (contar ovos minúsculos na sujeira) em algo rápido e automático, ajudando a proteger as cidades contra doenças transmitidas por mosquitos de forma mais inteligente e eficiente.

Resumo técnico

1. O Problema

O monitoramento de populações de mosquitos Aedes aegypti e Aedes albopictus (vetores de dengue, Zika, chikungunya e febre amarela urbana) é crucial para a saúde pública. Uma estratégia comum e de baixo custo envolve o uso de ovitraps (armadilhas para ovos) com substratos de papel ou tecido. No entanto, a contagem manual dos ovos depositados nesses substratos apresenta um gargalo operacional significativo:

• Ineficiência: A contagem manual leva cerca de 15 minutos por amostra.
• Escala: Em vigilância em larga escala, milhares de substratos precisam ser analisados, exigindo pessoal treinado e tempo considerável.
• Limitações de Soluções Anteriores: Sistemas de IA existentes (como MecVision, EggCountAI) geralmente exigem condições de laboratório controladas, pré-processamento de imagens, hardware especializado ou não são acessíveis publicamente. Eles falham em lidar com as condições reais de campo, como sujeira, manchas de bioatrativos (melaço, levedura) e imagens comprimidas por aplicativos de mensagens (WhatsApp).

2. Metodologia

Os autores desenvolveram o Col-Ovo, uma ferramenta de IA baseada em smartphones, integrada à plataforma OviLab para anotação e gestão de dados.

• Coleta de Dados:

  • Foram coletadas 275 amostras de substratos de oviposição (faixas de tecido não tecido de 20,5 cm) em condições de campo reais.
  • Os ovos foram depositados por fêmeas selvagens em ovitraps artesanais contendo bioatrativos (melaço e levedura seca) e água.
  • As imagens foram capturadas com um smartphone (iPhone X) e compartilhadas via WhatsApp para simular a compressão de JPEG e artefatos comuns no uso operacional.
  • O conjunto de dados final continha 27.562 ovos anotados.

• Anotação e Ground Truth:

  • Foi desenvolvida a plataforma web OviLab para anotação manual virtual com zoom de até 200%, servindo como padrão-ouro para treinamento e validação.
  • Um especialista em entomologia médica realizou as anotações definitivas.

• Arquitetura do Modelo (IA):

  • Algoritmo: Utilizou-se o modelo YOLOv11m (You Only Look Once).
  • Pré-processamento de Imagem: As imagens de alta resolução foram divididas em "tiles" (ladrilhos) de 640x640 pixels com sobreposição de 20% para garantir a detecção de ovos nas bordas.
  • Aumento de Dados: Técnicas intensivas foram aplicadas (rotação 360°, flutuação de escala, espelhamento, mosaic, mixup, copy-paste, ajustes de cor HSV) para simular variações de iluminação e contaminação.
  • Treinamento: O modelo foi treinado por 150 épocas em uma GPU NVIDIA RTX 5090, com foco na detecção de objetos pequenos (ovos ocupam ~10-15 pixels). O peso da perda da caixa delimitadora (box loss) foi aumentado para melhorar a localização.

• Validação Estatística:

  • Um subconjunto de 30 amostras independentes foi avaliado comparando três métodos: (i) OviLab (padrão-ouro), (ii) Contagem manual humana direta e (iii) Col-Ovo.
  • As amostras foram classificadas por nível de dificuldade (1 a 3) baseado na contaminação.
  • Testes estatísticos incluíram Friedman, Wilcoxon, correlação de Spearman, Bland-Altman e o Coeficiente de Concordância de Lin.

3. Principais Contribuições

• Sistema Col-Ovo: Uma solução de IA acessível via web, que não requer instalação de software ou hardware especializado, funcionando diretamente com imagens de smartphones.
• Plataforma OviLab: Um ecossistema digital para anotação, curadoria e gerenciamento de datasets de imagens entomológicas, permitindo o re-treinamento do modelo para novos contextos ecológicos ou espécies.
• Robustez em Condições Reais: O sistema foi projetado especificamente para lidar com substratos manchados, com detritos e imagens comprimidas, eliminando a necessidade de pré-processamento de imagem.
• Acesso Aberto: A ferramenta é gratuita e acessível em https://colovo.chilloa.org/, com fluxo de trabalho simplificado para pessoal não especializado.

4. Resultados

• Desempenho do Modelo:
  • O modelo alcançou um mAP@0.5 de 0,825 e um mAP@0.5:0.95 de 0,332.
  • Precisão: 0,804; Recall: 0,794; F1-score: 0,80.
• Comparação de Contagem:
  • O Col-Ovo mostrou concordância estatística com o padrão-ouro (OviLab) (p = 0,252), enquanto a contagem humana apresentou desvio significativo em relação ao padrão (p = 0,009).
  • Precisão em Alta Densidade: O Col-Ovo manteve uma melhor proporcionalidade na subestimação de ovos em alta densidade (slope = 0,785) comparado à contagem humana (slope = 0,561).
  • Resiliência: Em amostras de "Alta Dificuldade" (muita sujeira/aglomeração), o Coeficiente de Concordância de Lin do Col-Ovo foi de 0,952, enquanto a contagem humana caiu para 0,794.
• Eficiência Operacional:
  • Tempo de Processamento: O Col-Ovo processa uma amostra em 21 segundos (média), contra 242 segundos (4 minutos) para o método manual/OviLab.
  • Aumento de Produtividade: Aumento de 11,3 vezes na taxa de processamento (de 0,25 para 3,2 amostras/minuto).

5. Significado e Impacto

• Superação de Gargalos: O Col-Ovo remove a principal barreira operacional da vigilância baseada em ovitraps, permitindo a análise rápida e escalável de grandes redes de monitoramento.
• Aplicabilidade em Recursos Limitados: Ao funcionar em smartphones comuns e aceitar imagens comprimidas, a ferramenta é ideal para regiões endêmicas com infraestrutura limitada, onde a vigilância comunitária é essencial.
• Resposta Rápida a Surtos: A redução do tempo de análise de minutos para segundos permite a detecção mais precoce de picos na densidade vetorial, facilitando intervenções mais rápidas contra doenças transmitidas por vetores.
• Sustentabilidade e Escalabilidade: A integração com a plataforma OviLab cria uma infraestrutura digital flexível que pode ser atualizada continuamente, adaptando-se a novas espécies de Aedes ou mudanças ecológicas, fortalecendo programas de controle de vetores em nível comunitário e governamental.