评估机器学习异常检测算法的实用方法 流行病预警系统的异常检测算法

科学领域:

• 流行病学 流行病学
• 计算机科学 计算机科学
• 公共卫生 公共卫生

背景情况:

• 流行病监测的传统统计和基于规则的方法 早期预警系统 (EWS) 难以处理动态数据,需要频繁的专家调整.
• 机器学习 (ML) 在处理复杂,多维数据和适应不断变化的模式以改善流行病监测方面提供了优势.
• 在适应和评估ML模型与传染病监测中的黄金标准数据的实际方法中存在差距.

研究的目的:

• 提出一种基于ML的异常检测在流行病监测中的实用评估方法.
• 使用一组统计模型进行验证,建立一个黄金标准数据集.
• 为了验证LSTM和隔离森林ML模型的性能与现实世界的病原体数据相比.

主要方法:

• 结合四种传统统计模型的合奏技术被用来创建一个黄金标准数据集.
• 两种机器学习模型,长短期记忆 (LSTM) 和隔离森林,用于异常检测.
• 模型的性能使用四种病原体的时间序列数据进行了验证:COVID-19,C型肝炎,Acinetobacter baumannii和耐美西林黄金葡萄球菌.

主要成果:

• 该研究报告了对LSTM和隔离森林模型与已建立的黄金标准数据集进行验证的有希望的结果.
• 机器学习模型在检测各种传染病数据系列中的异常方面表现出有效性.
• 开发的评估方法为评估流行病监测中的ML算法提供了实际框架.

结论:

• 这些发现支持对ML算法的调整,以加强流行病监测和早期预警系统 (EWS).
• 实用的评估方法和黄金标准数据集对于传染病监测的未来研究和开发非常有价值.
• 学习的经验可以指导ML的整合,以实现更强大,更适应的公共卫生监测.