致人死亡的动物中，蚊子排名第一。

根据世界卫生组织（WHO）统计数据显示，全球每年约有 72.5 万人死于蚊虫叮咬产生的疾病，仅疟疾一项在 2022 年就造成 60.8 万例死亡。相比之下，其他致命的动物，如蛇、狗（通过传播狂犬病）、鳄鱼等，尽管也造成了相当数量的死亡，但与蚊子相比，数字要小得多。



每年死于各类动物的人数对比

虽然世卫组织早在 1955 年就曾做出过彻底消灭疟疾的宣言，但在很多地区，消灭疟疾却成为了一场「打地鼠」的游戏。每当疟疾被认为得到控制时，没过多久又会以另一种形式出现，时至今日仍然没有得到有效的控制。

想要断绝由蚊子作为媒介传播的疾病，首先在于检测分辨不同种类的蚊子，这不仅由于不同种类的蚊子会携带不同的疾病，也在于不同蚊子会有不同的生存特性。

这意味着如果能够分辨蚊子的种类，就可以利用其不同的特性灭蚊，例如针对室外生活和觅食的蚊子采取如消除滋生地，针对室内生存的蚊子采用蚊帐等，这在很多地区被证明是行之有效的灭蚊措施。

前世界首富比尔·盖茨近期分享了一项为此而生的新技术——VectorCam。它能够通过应用程序仅需拍摄一张蚊子照片，即可识别蚊子种类、性别、是否吸食血液及产下虫卵：

在与蚊子的斗争中，我们终于看清了我们的对手。



比尔·盖茨在视频中介绍该技术

用 AI 计算机视觉「看清」蚊子

据 VectorCam 官方介绍，该系统采用了一种用于识别蚊子种类、性别和腹部状态的新型卷积神经网络 VectorBrain。

作为一种专门为识别蚊子训练的 AI 模型，VectorBrain 能够准确识别 6 种主要蚊媒，包括主要疟疾媒介，在资源受限的环境中准确率超过 90%。

VectorBrain 是一个多任务 EfficientNet 架构，专为蚊子分类设计，同时输出种类、性别和腹部状态。该架构包括一个特征提取器和一个分支结构，每个分支对应一个分类任务。



在识别蚊子方面，VectorBrain 使用了轻量级的 YOLO 模型，能够实时定位蚊子，并使用检测到的坐标裁剪出只包含蚊子本身的图像，来进行更好的识别。



图片举例说明了分类蚊子图像的各个阶段。首先，展示需要分类的完整蚊子图像（a）。然后，使用 YOLO 算法根据坐标裁剪蚊子图像，并进行一系列图像变换以准备分类（b）。最后，显示分类算法的输出结果，确定图像中的蚊子种类（c）。

具体而言，YOLO 模型在训练和验证过程中的精度、召回率和平均精度（mAP）分别为 96.00%、90.50% 和 95.87%。种类分类模型的准确率为 92.40±2%，性别分类模型的准确率为 97.00±1%，腹部状态分类模型的准确率为 83.20±3.1%。



（a）为 YOLO 模型在训练和验证中的性能指标，（b）为模型检测蚊子案例



通过种类、性别、腹部状态分类的混淆矩阵和准确率

在 VectorCam 提供的论文中，还将其正在使用的 YOLOv5 与广泛应用于各种目标检测任务的 Faster R-CNN 模型进行对比，YOLOv5 Small 在参数数量、模型大小、mAP 和运行时间等方面都有更好表现，



赤脚医生也能快速上手

不仅是更有针对性的大模型， VectorCam 为了适应疟疾传播区，在具体操作方面也进行了简化，使其能够更好地适应疟疾传播区的实际情况。

具体而言，VectorCam 包括一套专门的成像设备和一款手机应用程序。其中的硬件组件包括内置 15 倍微距镜头的灯箱、手机壳设计和扩展坞。硬件还包括 Eppendorf 管支架和蚊子托盘以及穿孔标本 ID 表，更好地储存这些蚊子。



VectorCam 的软件是一个基于 Android 的应用程序，据称能够识别超过 39 种蚊子类型，包括常见的蚊子以及一些更易携带疾病的特定蚊子类型，经过算法优化后还能够在较低端的 Android 手机上运行。



VectorCam 的手机操作界面

系统的工作流程包括将收集到的蚊子放入硬件、使用智能手机应用程序捕获蚊子的放大图像、并将蚊子存储在带有唯一标签的 Eppendorf 管中，以便后续的分子验证。



VectorCam 系统的整个工作流程

成像和加载任务仅需两个用户完成：一个负责成像，另一个负责加载和存储蚊子，不需要太多昆虫学专业知识，即使是乡村卫生团队也能通过简单的培训操作 VectorCam。

除了操作简便以外，VectorCam 还有一个优点在于能够以更直观的方式展示蚊子的地区分布，使决策者能够更好地了解情况并根据蚊子种类、性别、腹部情况等判断当地，采取相应措施应对，推动彻底消灭疟疾顽疾的进程。



图片展示了该网络如何在不同层次「感知」蚊子的特征，并通过直观的方式显示出其种类、腹部状态、性别分布情况

用 AI 计算机听觉「识别」蚊子

在用手机检测蚊子方面，比尔·盖茨还介绍了另一项成果——HumBug。

这个新系统是一套机器学习算法，能够利用智能手机捕捉到的蚊子飞行音调的声学特征（声音），通过蚊子翅膀拍打的声音来识别蚊子种类。（事实证明，不同种类的蚊子由于个体大小、年龄和环境温度等差异，拍打翅膀的速度不同，因而在声音上也会有差异。）



HumBug 项目具体工作流程

而且更重要的是，Humbug 并不需要像 VectorCam 一样使用特殊装置采集蚊子，从而进一步简化了蚊子检测流程。

不过 Humbug 仍处于早期阶段，但如果成功，它可能会实现更自动化和持续的监测。

在介绍这些技术时，比尔·盖茨也表达了一定的担忧，并非担心在技术上的困难，而是担心其他政治、经济的因素：

我们面临的最大挑战之一并非科学上的，而是资金和政治上的。