利用一种新的高分辨率疟疾数据集,通过深度学习变压器模型进行气候预测
Micheal T Pillay1,2, Noboru Minakawa3, Yoonhee Kim4
1Department of Vector Ecology and Environment, Institute of Tropical Medicine (NEKKEN), Nagasaki University, 1-12-4, Sakamoto, Nagasaki City, 852-8523, Japan. michaelteron@gmail.com.
Scientific reports
|December 28, 2023
概括
深度学习模型可以高精度预测疟疾传播. 变压器模型显著优于传统方法,为南部非洲的早期疟疾检测提供了一个有前途的工具.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 气候科学 气候科学
背景情况:
- 气候显著影响疟疾的传播,通过影响阿诺菲莱斯载体和虫寄生虫.
- 准确的疟疾发病率预测对于早期预警系统至关重要.
- 流行病学预测中的深度学习应用正在出现,但在南非尚未得到充分利用.
研究的目的:
- 将深度学习的变压器模型的预测准确度与南部非洲疟疾发病率的统计和XGBOOST模型进行比较.
- 评估流行病学数据新型损失函数的性能.
- 用气候数据评估深度学习在日常疟疾预测方面的潜力.
主要方法:
- 使用了高分辨率的23年每日疟疾发病率数据集 (1998-2021).
- 开发并将深度学习的变压器模型与统计和XGBOOST模型进行比较.
- 实现了一种新的损失函数,性能优于标准的平均平方误差 (MSE).
主要成果:
- 变压器模型实现了98%的整体准确性,明显优于统计和XGBOOST模型.
- 当预测被转换为警报值时,变压器模型的AUROC比其他模型高出20-40%.
- 与标准的MSE损失相比,一种新的损失函数提高了大约20%的性能.
结论:
- 深度学习,特别是变压器模型,在预测非洲南部每日疟疾发病率方面表现出卓越的表现.
- 随着纳入更多的气候变量,模型的准确性就会增加,突出显示了它对于强大的预警系统的潜力.
- 这种预测框架为针对疟疾的公共卫生干预提供了有价值的工具.
