基于AI重力诱捕器监测的空间交互分析预测登革热媒介伊蚊风险

本研究针对传统重力诱捕器(Gravitrap)监测低估伊蚊种群密度的问题，提出了一种结合自动马尔可夫(auto-Markov)模型与非参数置换检验的AI算法。通过整合邻域效应，动态调整高雄市440个村庄的时空风险等级，构建AI-Gravitrap指数。结果显示该指数较传统HK指数和核密度估计(KDE)方法显著提升分类准确率(ACC≈0.85)，能更敏感识别中高风险区域，尤其在适宜蚊媒孳生的高温多雨季节(如ROI 1周16-18，捕获比达4.5%)。研究成果发表于《International Journal of Health Geographics》，为资源有限地区的精准蚊媒防控提供新工具。

　　

登革热作为全球传播最快的蚊媒传染病，过去50年发病率增长30倍，其病毒主要通过埃及伊蚊(Ae. aegypti)和白纹伊蚊(Ae. albopictus)传播。传统防控依赖蚊媒密度监测，但常用重力诱捕器存在显著局限：单次产卵的雌蚊可能分散产卵导致低估；温带-热带过渡地区(如台湾)的季节性波动使捕获量差异巨大；有限资源下难以全面覆盖热点区域。更棘手的是，现有蚊媒指数如房屋指数(HI)与登革热传播的关联性存疑，而被动监测方法如香港(HK)指数缺乏时空动态调整能力。

香港城市大学生物医学系的研究人员创新性地将人工智能与空间流行病学结合，以2017年高雄市19,643个重力诱捕器捕获的6,768只雌蚊数据为基础，开发了AI-Gravitrap指数系统。该系统通过三阶段技术路线实现突破：首先定义蚊密度指标ADM(捕获数/诱捕器数)；其次采用置换检验(1,000次模拟)识别显著高风险村庄(Z_i,t=1)；最后构建一阶邻域auto-Markov模型，通过伪似然估计计算加权风险概率θ_i,t，并设置τ=0.05的显著性阈值。研究特别考虑蚊媒200m飞行距离的生物学特性，验证了一阶邻域结构的最优性(ACC=0.85 vs二阶0.3)。

主要研究结果

模型验证：通过马尔可夫链蒙特卡洛(MCMC)模拟4,000次燃烧期后，高风险村庄分类准确率达100%，中低风险分类ACC≈0.98。置换检验显示空间自相关Moran's I=0.023(p<0.001)，证实空间依赖性建模的必要性。

与传统方法对比：在三个典型区域(ROI)的比较中，AI指数展现出显著优势。以ROI 1(周16-18)为例，AI识别出124个村庄中的4.1%为高风险，而HK指数仅标记3.38个(均值)，KDE方法因带宽平滑效应完全漏检。天气分析显示，当周平均温度27.4℃、降雨35.5mm时，AI指数灵敏度较HK提升2.5倍。

成本效益分析：十折交叉验证表明，AI指数误分类村庄数显著低于HK(均值3.38 vs 8.6)和KDE(26)，p值<10^-38。在资源分配方面，AI系统可使高雄市环保局将防控频次优化为：高风险区周清理、中风险区双周清理、低风险区月清理。

这项研究开创性地将空间交互分析引入蚊媒监测领域，其AI指数不仅能动态适应不同气候背景(如台风季与大陆冷气团交替的台湾环境)，更重要的是通过"信息借用"机制缓解了监测资源不足的瓶颈。研究团队指出，未来可扩展该模型至贝叶斯框架，整合随机森林等机器学习方法提升预测力。尽管存在计算耗时(1分钟/周数据)和低密度区可能高估的局限，但该系统已在高雄市登革热防控中实现转化应用，为全球类似气候区提供了技术范本。