INTELIGÊNCIA ARTIFICIAL EXPLICÁVEL APLICÁVEL À IDENTIFICAÇÃO DE SEXOS DO MOSQUITOS AEDES AEGYPTI: UMA ABORDAGEM COM REDES NEURAIS CONVOLUCIONAIS

Resumo

Os arbovírus transmitidos por Aedes aegypti representam um desafio na saúde pública, tornando crucial a identificação sexual dos mosquitos, pois somente as fêmeas são hematófagas e vetoras. Embora a plumosidade antenal e o comprimento dos palpos sejam os marcadores diagnósticos clássicos, observa-se que estas estruturas são pequenas, limitando sua exploração por modelos de visão por computador em imagens de corpo inteiro. O presente estudo teve como objetivo construir e avaliar uma Rede Neural Convolucional para a predição de sexo, treinada com 2.000 imagens balanceadas de A. aegypti. A Rede Neural Convolucional, estruturada em três blocos convolucionais, foi avaliada com métricas padrão (precisão, acurácia, precisão, recall, pontuação F1 e matriz de confusão); sua interpretabilidade foi analisada com Grad-CAM e Grad-CAM++. Os resultados indicaram uma precisão de 0,81 após o ajuste fino, revelando assimetria: as fêmeas apresentaram maior precisão (0,90) mas menor recall (0,69), enquanto os machos obtiveram alta recall (0,92). Os mapas Grad-CAM demonstraram que a Rede Neural Convolucional se baseou em regiões anatômicas maiores (tórax, asas e abdômen), não explorando os caracteres morfológicos cefálicos clássicos. Concluiu-se que as Redes Neurais Convolucionais treinadas com imagens de corpo inteiro alcançam um desempenho razoável, mas não reproduzem os critérios entomológicos clássicos de identificação sexual. Para uma aplicação prática em vigilância, recomenda-se o pré-processamento orientado à cabeça, a normalização da escala e experimentos de ablação, para direcionar o foco do modelo para os marcadores morfológicos relevantes.