Resumo Técnico: LarvaFormer – Uma Ferramenta de Aprendizado Profundo Híbrida para o Reconhecimento de Larvas de Mosquitos

1. Declaração do Problema

As doenças transmitidas por mosquitos (ex: malária, dengue, chikungunya) causam mais de 700.000 mortes anualmente. Os métodos tradicionais de controle direcionados aos mosquitos adultos são frequentemente ineficazes devido à mobilidade dos adultos e aos riscos ambientais associados ao uso excessivo de pesticidas. Por outro lado, visar o estágio larval oferece uma abordagem mais sustentável, pois as larvas são imóveis e confinadas a habitats aquáticos. No entanto, a identificação precisa de larvas é crítica, porém desafiadora; ela depende tradicionalmente do exame morfológico manual por taxonomistas treinados, o que é demorado e propenso a erros, especialmente ao distinguir espécies visualmente semelhantes (ex: Aedes aegypti e Aedes albopictus). Embora o aprendizado profundo tenha mostrado promessa, os modelos existentes frequentemente lutam com as nuances morfológicas específicas necessárias para uma classificação biológica de alta precisão, particularmente ao equilibrar detalhes de textura local com padrões contextuais globais.

2. Metodologia: O Framework LarvaFormer

O artigo propõe o LarvaFormer, uma nova arquitetura de aprendizado profundo híbrida que integra sinergicamente Redes Neurais Convolucionais (CNNs) e Vision Transformers (ViTs) para abordar as limitações de modelos de paradigma único. O framework é projetado para capturar tanto detalhes anatômicos finos quanto padrões morfológicos holísticos.

Componentes da Arquitetura

O modelo consiste em quatro componentes principais operando em uma configuração de fluxo paralelo:

1. Extração de Características em Paralelo:
   • Fluxo CNN: Utiliza um backbone DenseNet-121 (pré-treinado no ImageNet-1K) para extrair características locais hierárquicas, produzindo um tensor de características de $1024 \times 7 \times 7$.
   • Fluxo ViT: Emprega um Vision Transformer de 4 camadas com patch embedding (14$\times$14 patches + CLS token) e autoatenção de múltiplas cabeças para modelar relacionamentos contextuais globais, produzindo um tensor de características de $197 \times 768$.
2. Módulo de Fusão Cruzada Bidirecional:
   • Resolve a disparidade de resolução espacial entre a grade da CNN ($7 \times 7$) e os tokens do ViT ($14 \times 14$) via upsampling bilinear.
   • Projeção Direta (Forward Projection): As características da CNN são projetadas no espaço de embedding do ViT e fundidas com os tokens de patch do ViT.
   • Modulação Reversa (Reverse Modulation): As características do ViT geram pesos de atenção para modular as características upsampled da CNN, garantindo o fluxo bidirecional de informações.
3. Mecanismo de Atenção de Características:
   • Um módulo especializado que pondera adaptativamente as características com base em características morfológicas (ex: estrutura do sifão, padrões de anéis). Ele utiliza parâmetros aprendíveis para combinar escores de atenção para traços específicos, aumentando a capacidade do modelo de focar em regiões anatômicas discriminativas.
4. Controlador de Busca de Arquitetura Neural (NAS):
   • Um mecanismo de NAS diferenciável que aprende pesos de combinação ótimos ($\beta_1, \beta_2$) para os fluxos de características de CNN e ViT durante o treinamento. Isso permite que o modelo ajuste dinamicamente a contribuição de cada fluxo sem ajuste manual, otimizando a fusão de representações locais e globais.

Dados e Treinamento

• Datasets: O modelo foi avaliado em dois conjuntos de dados de referência:
  • MosquitoLarvae-7400: 7.417 imagens de quatro espécies (Ae. aegypti, Ae. albopictus, An. cracens, Cx. quinquefasciatus) capturadas via microscópio e smartphone.
  • MLMI-2024: 800 imagens de alta resolução focadas em regiões anatômicas específicas (cabeça, sifão, abdômen) de duas espécies (Ae. aegypti, Cx. quinquefasciatus).
• Pré-processamento: As imagens foram redimensionadas para $224 \times 224$, aprimoradas usando conversão de espaço de cor LAB e Equalização de Histograma Adaptativa com Limite de Contraste (CLAHE), e aumentadas via transformações geométricas e fotométricas para equilibrar as distribuições de classe.
• Implementação: Treinado usando PyTorch com precisão mista (AMP), otimizador AdamW e um scheduler de taxa de aprendizado. O modelo possui 37,34 milhões de parâmetros.

3. Principais Contribuições

Os autores identificam as seguintes contribuições primárias:

• Arquitetura Híbrida: O desenvolvimento do LarvaFormer, um framework que explora conjuntamente os vieses indutivos convolucionais e a atenção global baseada em Transformer para uma classificação de larvas robusta.
• Fusão de Multimodalidade Cruzada: Uma estratégia eficaz de combinação de características de CNN e ViT via um módulo de fusão bidirecional e um mecanismo de atenção leve para melhorar a discriminação entre espécies visualmente semelhantes.
• Otimização Guiada por NAS: A integração de um controlador de Busca de Arquitetura Neural para otimizar automaticamente os pesos de combinação de características, aumentando a generalização entre datasets sem ajuste de design manual.
• Avaliação Abrangente: Uma validação rigorosa incluindo estudos de ablação, análise de matriz de confusão e visualizações Grad-CAM para demonstrar a interpretabilidade e confiabilidade do modelo.

4. Resultados Experimentais

O LarvaFormer alcançou um desempenho de estado da arte em ambos os datasets, superando CNNs isoladas (VGG16, ResNet50, DenseNet, EfficientNet, MobileNet) e Transformers puros (ViT, Swin Transformer).

• Acurácia:
  • MosquitoLarvae-7400: 98,97% de acurácia de teste (melhorando 3,24% sobre a melhor baseline, EfficientNet).
  • MLMI-2024: 99,50% de acurácia de teste (melhorando 2,00% sobre a melhor baseline, DenseNet).
• Eficiência: Apesar de possuir 37,34M de parâmetros, o LarvaFormer mantém um tempo de inferência competitivo de 10,85 ms/imagem, oferecendo um compromisso favorável entre acurácia e custo computacional em comparação com modelos mais pesados como VGG16 (138,3M params) ou modelos mais leves, porém menos precisos, como o MobileNet.
• Estudo de Ablação: O estudo confirmou o valor cumulativo de cada componente. Começando de uma baseline DenseNet-201 (91,4%), a adição do backbone ViT, a Fusão de Multimodalidade Cruzada, a Atenção de Características e, finalmente, o Controlador NAS aumentaram progressivamente a acurácia para o final de 98,97%. O Controlador NAS proporcionou o ganho individual mais significativo (+3,77%).
• Interpretabilidade: Visualizações Grad-CAM confirmaram que o modelo atende corretamente a características biologicamente relevantes, como estruturas de sifão, dentes de pecten e padrões de bandas abdominais, alinhando-se com o conhecimento entomológico.

5. Significância e Alegações

O artigo afirma que o LarvaFormer representa um avanço significativo na vigilância automatizada de mosquitos. Ao permitir a identificação de espécies rápida, precisa e automatizada, o sistema apoia estratégias de controle de mosquitos direcionadas e ambientalmente sustentáveis. Especificamente, os autores afirmam que:

• O sistema reduz a dependência de identificação manual dependente de especialistas, acelerando assim a detecção de criadouros.
• A abordagem híbrida captura efetivamente os padrões morfológicos sutis que distinguem vetores de doenças, abordando uma limitação chave de tentativas anteriores de aprendizado profundo.
• A alta acurácia e interpretabilidade do modelo o tornam uma ferramenta viável para programas de controle de vetores em larga escala, potencialmente reduzindo a necessidade de inseticidas químicos de amplo espectro.

Limitações e Direções Futuras:
Os autores reconhecem modestamente que a generalização do modelo é atualmente restrita às espécies e condições geográficas presentes nos datasets de treinamento. Eles observam que o desempenho ainda não foi validado em condições reais de campo (ex: iluminação variável, turbidez da água). Trabalhos futuros são propostos para expandir a diversidade dos datasets, integrar dados ambientais e genéticos, e desenvolver versões leves para implantação em dispositivos de borda (edge) em ambientes de recursos limitados.