Zuverlässige KI-basierte Bestimmung von Stechmücken anhand ihrer Flügel

Stechmücken können Erreger von Malaria, Dengue, West-Nil-Fieber und anderen Infektionskrankheiten übertragen. Wie hoch das Risiko in einer bestimmten Region ist, hängt auch davon ab, welche Arten dort vorkommen. Daher ist es wichtig, regelmäßig zu erfassen, welche Spezies wo auftreten. Doch genau hier hakt es oft: Die sichere Bestimmung der Stechmückenarten ist aufwendig und erfordert Erfahrung. Molekulare Methoden können hier aushelfen, sind aber teuer und nicht überall verfügbar.

Seit einigen Jahren nutzen Forschende die Flügelform von Stechmücken zur Artunterscheidung. Grundlage hierfür sind Landmarks. Dies sind vordefinierte Punkte auf den Flügeladern. Aus den hiervon abgeleiteten Koordinaten lässt sich die Form des Flügels beschreiben und zwischen Arten vergleichen. Der Flügel eignet sich dafür gut, weil er flach ist, immer in gleicher Lage fotografiert werden kann und weder ein Labor noch teure Geräte erfordert. Bisher war das Problem, dass diese Punkte von Hand gesetzt werden mussten. Das ist zeitaufwendig und fehleranfällig.

Präzisere Stechmückenbestimmung für Überwachung und Forschung

Die Forschenden testeten ITHILDIN an über 15.000 Flügelbildern weiblicher Stechmücken. Dabei war das System in der Lage, zwischen 34 unterschiedlichen Arten und Arten-Komplexen mit über 90 Prozent. Genauigkeit zu unterscheiden und setzte die Landmarks dabei so gut wie ein geübter  Mensch. Auch im Vergleich zu den klassisch genutzten KI-Modellen wie Convolutional Neural Networks (CNN) schneidet die Landmark-basierte Methode equivalent ab. Doch der größte Vorteil zeigt sich, wenn ITHILDIN auf neue Daten trifft. Die Forschenden wiederholten eine unabhängige Studie aus der Republik Korea, indem sie deren Bilder in die öffentliche Anwendung luden. Hier war die ITHILDIN deutlich zuverlässiger, wenn Landmarks anstatt des CNN genutzt werden. Damit eignet sich der Ansatz auch für Situationen, in denen die Bildqualität oder die Aufnahmetechnik von Studie zu Studie variiert.

Für die Forschung öffnet sich damit ein Werkzeugkasten weit über die reine Artbestimmung hinaus. Aus der Flügelform oder -größe lassen sich zum Beispiel Unterschiede zwischen Populationen sowie Einflüsse von Temperatur oder Nahrungsangebot in der Larvenphase ableiten. All diese Faktoren beeinflussen die Ausbreitung von Krankheitsüberträgern und sind Gegenstand aktueller Forschung.

Hintergrund

Vom Stechmückenflügel zum digitalen Messpunktnetz

Landmarks sind klar definierte anatomische Punkte, in diesem Fall Kreuzungen von Flügeladern. Sie dienen als wiedererkennbare Messpunkte. Semilandmarks liegen zwischen diesen Punkten entlang der Flügeladern und beschreiben die Form des Flügels noch feiner.

In der Studie arbeitete das Team mit 17 festen Landmarks auf den Stechmückenflügeln. Entlang ausgewählter Adern platzierte ITHILDIN zusätzlich bis zu 52 Semilandmarks. Diese Kombination aus wenigen „Fixpunkten“ und vielen Zwischenpunkten erlaubt eine sehr detaillierte Erfassung der Flügelform.

Wie gut ist die KI im Vergleich zu Menschen?

Die durchschnittliche Abweichung der automatisch gesetzten Punkte von der menschlichen Referenz lag im Bereich von wenigen Pixeln und damit innerhalb der Unterschiede, die auch zwischen zwei Menschen auftreten. Ein etabliertes Vergleichssystem zur automatischen Landmark-Erkennung schnitt deutlich schlechter ab.

Ein weiterer Vorteil: ITHILDIN arbeitet als „einzelne Person“, die immer gleich misst. Das macht Datensätze aus unterschiedlichen Arbeitsgruppen besser vergleichbar und erlaubt es erstmals, alle morphometrischen Untersuchen von Zweiflüglern zusammen zu führen. 

Nur Stechmücken?

Nein. Das Team konnte zeigen, dass sich der Ansatz mit überschaubarem Mehraufwand auch auf andere Zweiflügler übertragen lässt. Für Tsetsefliegen (Glossinidae) und Drosophila-Fliegen erreichte das System ähnlich präzise Ergebnisse  bei den Landmarks. Je nach Flügelbau, Behaarung und Bildqualität sind dafür einige Hundert zusätzliche Bilder zur Anpassung nötig.

ITHILDIN steht bereits online zur Nutzung bereit

ITHILDIN ist bereits als "Demonstrator" öffentlich verfügbar: Interessierte können über https://ithildin.bnitm.de eigene Flügelbilder hochladen und testen, wie das System sie klassifiziert.

Förderung und Kooperationen

Die Arbeiten zu ITHILDIN wurden unter anderem durch das Bundesministerium für Forschung, Technologie und Raumfahrt (Projekte NEED und CIMT), die Klaus Tschira Stiftung (Klaus Tschira Boost Fund), die Howard and Gabriele Kroch Foundation sowie Mittel aus dem EU‑Forschungsprogramm Horizon Europe im Rahmen des ISIDORe-/Infravec-Verbundes unterstützt.

Originalpublikation

Kristopher Nolte, Jan Baumbach, Philip Kollmannsberger, Felix Gregor Sauer, Renke Lühken:
"Automated landmark and semilandmark annotation for wing geometric morphometrics in Diptera using deep learning", Ecological Informatics 99 (2026), 104031. DOI: https://doi.org/10.1016/j.ecoinf.2026.104031