El aprendizaje profundo detectó larvas de mosquito en el 31,9 % del agua estancada de una regencia indonesia

Un equipo sanitario de Pangandaran sobrevoló una sola regencia indonesia con un dron de consumo, introdujo las fotos en un modelo de aprendizaje profundo y lo dejó identificar cada charco en 4.400 imágenes. Cada uno de los 47 puntos de agua estancada que el modelo marcó contenía realmente agua sobre el terreno. Quince de ellos, el 31,9 %, contenían larvas de mosquito, incluidos los dos vectores primarios locales de la malaria. El resultado, publicado este mes en Scientific Reports, es el manual más limpio de bajo coste para el mapeo de hábitats de mosquitos que 2026 ha producido, y funciona sin el satélite, el sensor multiespectral ni la cadena de procesamiento de mosaicos de imágenes que han mantenido la tecnología fuera del alcance de las oficinas sanitarias de distrito.

Qué hizo realmente el artículo

El Laboratorio de Salud Pública de Pangandaran, una unidad del Ministerio de Salud de Indonesia, se asoció con investigadores de la Universidad de Ehime (Japón), la Universidad Lurio (Mozambique), la Tokyo Women's Medical University y la Universitas Padjadjaran. Se preguntaron: ¿puede un modelo de aprendizaje profundo encontrar agua estancada en imágenes de dron baratas y sin procesar, y saltarse el costoso paso de unirlas en un único mapa georreferenciado?

La respuesta es sí. El equipo sobrevoló la regencia de Pangandaran, un distrito costero en el extremo sur de Java, con drones de consumo y recopiló más de 4.400 imágenes fijas en color y en escala de grises, cada una con su propia etiqueta GPS. El equipo las pasó por un modelo DeepLabV3+ con un backbone EfficientNetV2, un caballo de batalla de la visión por computador de bajo coste en 2026.

El modelo no intentó unir las fotos en un mosaico. Puntúo cada imagen de forma individual, usó los metadatos GPS para colocar las predicciones positivas en un mapa y envió todo por una canalización en la nube. Sin hardware especializado. Sin software propietario de mosaico de imágenes. Sin sensor multiespectral.

Qué encontró el modelo

La calidad de la segmentación, medida por la Intersección sobre la Unión media (mIoU), fue de 0,86 en las imágenes en color y de 0,80 en escala de grises, ambas puntuaciones aptas para publicación en segmentación de cuerpos de agua en imágenes aéreas.

El número que más importa para un público de salud pública es lo que ocurrió sobre el terreno. El equipo visitó 47 puntos que el modelo había marcado como agua estancada. Todos contenían agua. Quince de los 47, el 31,9 %, contenían larvas de mosquito, incluidos los dos vectores locales principales de la malaria Anopheles vagus y Anopheles sundaicus, este último un criador de aguas salobres que prolifera en las lagunas costeras del sur de Java.

La cifra del 31,9 % es el punto editorial. La mayor parte del agua estancada no contiene larvas de mosquito; el modelo hace lo que haría un inspector humano, marcar cada charco, zanja y esquina de arrozal, y dejar que una segunda pasada separe los hábitats larvarios reales de los irrelevantes. La innovación del artículo está en la primera pasada: hacer que sea barata, rápida y escalable.

Por qué importa el «sin ortomosaico»

Hasta ahora, el mapeo de hábitats con drones implicaba producir un ortomosaico, una única imagen georreferenciada de alta resolución formada por la unión de cientos de fotos superpuestas. El paso requiere software comercial (Pix4D, Agisoft, DroneDeploy, con licencias anuales en los cuatro dígitos bajos), una estación de trabajo de escritorio y horas de procesamiento por levantamiento. Para un grupo de investigación en una universidad bien financiada, esto es rutinario. Para una oficina sanitaria de distrito en una región endémica de malaria, ha sido inviable.

Francisco y sus colegas se lo saltaron. Usaron las coordenadas GPS embebidas en cada imagen y dejaron que la nube hiciera el trabajo pesado.

Las tres cosas que convergen en 2026

El artículo de Pangandaran llega la misma semana que otros tres resultados revisados por pares que cambian lo que significa «control vectorial» para una oficina de salud con presupuesto ajustado.

La literatura sobre atmósfera y forma urbana acaba de cerrar un bucle pendiente. El artículo de Lugão y colaboradores en PNAS, publicado el 18 de junio, desde la Universidade Federal de Juiz de Fora y la Universidade Federal de Goiás, modela las poblaciones de Aedes aegypti en ciudades brasileñas con covariables atmosféricas y de forma urbana, y concluye que la morfología urbana es un motor más potente de los focos calientes que la temperatura por sí sola. El artículo de Liu y colaboradores en iScience del 19 de junio amplía la lógica a 108 países, con la duración de las inundaciones como variable explicativa. El mosquito es un problema a escala de ciudad antes de ser un problema a escala meteorológica.

La literatura de prevención comunitaria ha producido su dato más limpio. El Departamento de Salud de Filipinas notificó 50.727 casos de dengue en los cinco primeros meses de 2026, una reducción del 56 % respecto a 2025, y atribuyó el descenso a la campaña «4Ts»: Taob, Taktak, Tuyo, Takip (vaciar y voltear los recipientes, sacudir el agua, mantener el entorno seco, cubrir los depósitos de agua). Las 4Ts funcionan, pero solo cuando una comunidad sabe dónde están los focos de cría. El artículo de Pangandaran es la pieza aguas arriba que faltaba.

La literatura sobre IA e imágenes ha producido ahora su primer flujo de trabajo de bajo coste validado sobre el terreno para el mapeo de hábitats larvarios. El artículo de Pangandaran es la primera demostración revisada por pares de que el flujo de trabajo se sostiene en una región endémica de malaria, con un equipo local de control vectorial sobre el terreno y sin la infraestructura que ha mantenido la tecnología históricamente en la literatura de investigación del mundo rico.

Las tres puntas no se sustituyen entre sí. Los modelos atmosféricos indican a una ciudad dónde estarán sus focos calientes; las campañas comunitarias indican a un barrio qué hacer; el flujo de trabajo con dron e IA indica a un equipo de campo qué charcos vaciar primero.

El dato del 31,9 % es un recordatorio útil a escala de hogar: la mayor parte del agua estancada no es un criadero. La capa de protección personal no cambia: vaciar los platos de macetas, voltear los cubos, cubrir los depósitos de agua, dormir bajo mosquitera tratada o en habitaciones con tela mosquitera y aplicarse un repelente de eficacia probada en la piel expuesta al amanecer y al atardecer.

Qué hacer

Para un hogar o un pequeño enclave, la lectura práctica del hallazgo de Pangandaran no cambia: la mayor parte del agua estancada no es un criadero, así que el trabajo está en encontrar los pocos que sí lo son.

• Vaciar o voltear cualquier recipiente que pueda contener agua durante más de unos pocos días (cubos, platos de macetas, lonas, neumáticos viejos).
• Sacudir, fregar y rellenar los bebederos de mascotas y los baños de pájaros al menos una vez a la semana; las larvas tardan aproximadamente entre siete y diez días en madurar.
• Cubrir los depósitos y barriles de almacenamiento de agua con tapas bien ajustadas o malla fina.
• Limpiar los canalones del tejado y los desagües de azoteas antes de la temporada de lluvias.
• Rellenar o drenar los puntos bajos del jardín y mantener peces en los estanques ornamentales cuando sea posible; los peces larvívoros contienen la cría de Culex y Anopheles.
• Usar protección personal de eficacia probada al atardecer y al amanecer: manga larga y pantalones, mosquitera tratada o habitación con tela mosquitera, y un repelente en la piel expuesta.
• Para los equipos distritales o municipales, el flujo de trabajo de Pangandaran es ahora el argumento publicado más sólido para incorporar levantamientos con drones de bajo coste a la gestión rutinaria de focos larvarios, sobre todo durante la temporada de lluvias.

Qué seguir en los próximos doce meses

Validación en otras regiones. El artículo de Pangandaran es un único distrito en la Indonesia costera. El flujo de trabajo necesitará repetirse en un país saheliano, en una ciudad sudamericana (donde domina Aedes aegypti) y en una isla del Pacífico (donde la interfaz entre humanos y fauna silvestre es la frontera activa). La arquitectura es portable; los datos de entrenamiento no.

Un canal de código abierto. El equipo de Francisco usó DeepLabV3+ y EfficientNetV2, pero los pesos del modelo y el código de preprocesamiento aún no son públicos. El paso siguiente más trascendental sería una liberación pública de un modelo preentrenado que cualquier departamento de salud pueda descargar.

La cuestión de la integración. El siguiente artículo más útil encadena el flujo de trabajo de Pangandaran a una decisión de control vectorial: el modelo detecta un sitio, el equipo de campo recibe una notificación en el móvil, el operario confirma las larvas, la campaña local equivalente a las 4Ts se despliega en 48 horas. Ese bucle de extremo a extremo es lo operativamente interesante. El artículo de Pangandaran es la primera pieza.

Lo que sabemos

• Un modelo de aprendizaje profundo entrenado con 4.400 imágenes fijas de dron de la regencia de Pangandaran, Indonesia, identificó los puntos de agua estancada con una Intersección sobre la Unión media (mIoU) de 0,86 en imágenes en color y 0,80 en escala de grises, una puntuación apta para publicación en segmentación de cuerpos de agua en imágenes aéreas. Francisco et al., Sci Rep (2026)
• La validación sobre el terreno de 47 puntos que el modelo marcó como agua estancada confirmó la presencia de agua en el 100 % de los casos; 15 de esos puntos (31,9 %) contenían larvas de mosquito, incluidos los vectores locales primarios de la malaria Anopheles vagus y An. sundaicus. Francisco et al., Sci Rep (2026)
• El flujo de trabajo prescinde por completo de la generación de ortomosaicos. Utiliza los metadatos GPS embebidos en cada imagen individual para colocar las predicciones positivas del modelo en un mapa, corre en la nube y no requiere hardware especializado ni software propietario de mosaico de imágenes. Francisco et al., Sci Rep (2026)
• La arquitectura es DeepLabV3+ con un backbone EfficientNetV2. El estudio fue dirigido por investigadores de la Universidad de Ehime, la Universidad Lurio, el Laboratorio de Salud Pública de Pangandaran (Ministerio de Salud de Indonesia), la Tokyo Women's Medical University y la Universitas Padjadjaran. PubMed 42315628
• El trabajo fue financiado por la subvención del Proyecto de Investigación Conjunta JPJSCCB20240008 de la Japan Society for the Promotion of Science (JSPS), y el artículo se publica en acceso abierto en Scientific Reports (DOI 10.1038/s41598-026-58240-4). Francisco et al., Sci Rep (2026)

Fuentes citadas

1. Francisco, Micanaldo Ernesto, Andri Ruliansyah, Firda Yanuar Pradani, Gaku Masuda, Lia Faridah, Kozo Watanabe. «Deep learning identifies water bodies from low-cost drone images for mosquito larval habitat mapping.» Scientific Reports (Nature), 18 de junio de 2026. DOI 10.1038/s41598-026-58240-4. Acceso abierto. https://www.nature.com/articles/s41598-026-58240-4
2. Francisco et al. (2026), registro PubMed, PMID 42315628, indexado el 18 de junio de 2026. https://pubmed.ncbi.nlm.nih.gov/42315628/
3. Liu, Q., Zhang, S., Liu, M., Liu, J. «Impact of flood duration on dengue burden across 108 countries.» iScience (Cell Press), eCollection 19 de junio de 2026 (publicación online 25 de abril de 2026). DOI 10.1016/j.isci.2026.115917. https://pubmed.ncbi.nlm.nih.gov/42169817/
4. Lugão, P. H. G., da Silva, M. R., Cascelli, R., Chapiro, G. «Spatial and temporal prediction of Aedes aegypti populations with atmospheric and urban forms dependence.» PNAS 123(25):e2533964123, publicado online el 18 de junio de 2026. DOI 10.1073/pnas.2533964123. https://pubmed.ncbi.nlm.nih.gov/42313935/