谷地预报:通过对综合气象数据进行训练的增强LSTM模型预测Coccidioidomycosis发病率

科学领域:

• 流行病学和公共卫生.
• 菌类学和传染病的研究
• 人工智能和机器学习

背景情况:

• 菌菌 (山谷热) 是一种在干旱地区普遍存在的真菌感染,构成公共卫生挑战.
• 以前的研究将菌发病率与天气模式联系起来,这表明气候影响传播.
• 准确预测型冠状病毒爆发对于公共卫生干预至关重要.

研究的目的:

• 评估长期短期记忆 (LSTM) 和扩展长期短期记忆 (xLSTM) 模型在预测病爆发病例中的有效性.
• 将高级神经网络模型的预测性能与传统的统计方法进行比较.
• 探索微气候变化与菌发病率之间的相关性.

主要方法:

• 分析2001-2022年加利福尼亚州48个县的每日气象数据,这些县具有多样化的微气候和菌发病率.
• 开发和评估846个LSTM和176个xLSTM模型,以及基线回归和多层感知器 (MLP) 模型.
• 使用各种微调指标和比较框架对模型可靠性的交叉分析.

主要成果:

• 在预测菌爆发方面,LSTM类型的架构显著超过了传统方法.
• 与基线 (468.51) 相比,xLSTM获得了最低的测试RMSE (282.98),预测错误减少了39.60%.
• 此外,LSTM和MLP模型也显示了实质性的改进,与xLSTM具有可比的预测能力,可通过重叠的置信区间来表明.

结论:

• 先进的机器学习模型,特别是xLSTM,显示出对病爆发的卓越预测能力.
• 时间微气候变化与区域菌发病率有很强的相关性.
• 这些发现支持加强菌预防和控制的公共卫生战略,标志着xLSTM在流行病学中的首次应用.