对于流行性麻疹动态的深度神经网络:比较分析和与机械模型的集成
Wyatt G Madden1, Wei Jin2, Benjamin Lopman3
1Department of Biostatistics and Bioinformatics, Rollins School of Public Health, Emory University, Atlanta, Georgia, United States of America.
PLoS computational biology
|November 21, 2024
概括
新的空间神经网络在预测麻疹爆发方面表现优于传统模型. 这些先进的模型提供了更好的预测,并揭示了疾病传播模式,改善了公共卫生战略.
科学领域:
- 流行病学 流行病学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 麻疹疫情表现出复杂的非线性时空动态,挑战了传统的机械模型.
- 对麻疹等传染病的准确预测对于公共卫生干预至关重要.
研究的目的:
- 开发和评估用于预测麻疹疫情的空间前神经网络 (SFNN).
- 将SFNN的预测性能与传统的运输SIR (TSIR) 模型进行比较.
- 探索结合机械学和机器学习模型的综合方法,以增强疾病建模.
主要方法:
- 开发一个高维空间前神经网络 (SFNN).
- 使用英格兰和威尔士 (1944-1965) 麻疹数据对SFNN和TSIR模型进行比较分析.
- 研究与TSIR集成的物理信息神经网络 (PINN),以改进参数推断和预测.
主要成果:
- 在大多数预测窗口中,SFNN比TSIR实现了较低的根平均平方误差 (RMSE).
- 在没有事先的机械假设的情况下,SFNN在麻疹传播中确定了类似于重力模型的空间层次结构.
- 将TSIR与PINN集成,提高了预测准确度 (MAE) 和参数估计.
结论:
- 与传统模型相比,基于神经网络的模型,特别是SFNN,为麻疹爆发提供了优越的短期和长期预测.
- 这些模型提供了机械解释性,揭示了疾病传播动态.
- 将机器学习与机械模型相结合,为改善对传染病的公共卫生反应提供了一个有希望的途径.
