疾病爆发预测的深度学习:一个平行LSTM-CNN模型

科学领域:

• 流行病学和公共卫生.
• 计算生物学 计算生物学
• 动态系统理论 动态系统理论

背景情况:

• 早期预警信号 (EWS) 对预防流行病至关重要,但新出现的疾病具有独特的动态和杂的数据挑战.
• 传统的时间序列分类 (TSC) 方法难以应对现实世界疫情数据的复杂性.
• 动态系统原理为了解疾病传播提供了一个框架,即使是针对新型病原体.

研究的目的:

• 开发一个强大的深度学习模型,用于可靠的早期预警信号 (EWS),用于疾病爆发的预测.
• 在疫情监测中应对噪音测量和独特的疾病动态所带来的挑战.
• 提高EWS在现实世界公共卫生危机中的准确性和适用性.

主要方法:

• 为了TSC,利用了一个并行长短的短期记忆-卷积神经网络深度学习架构.
• 在两个模拟数据集上训练模型:一个通过多项式动态系统模拟新型疾病行为,另一个模拟噪声诱导的动态.
• 在各种模拟数据和现实数据集上评估模型性能,包括流感,COVID-19和麻疹.

主要成果:

• 拟议的深度学习模型在大多数数据集中表现出与现有模型和统计指标相比的优异性能.
• 该模型有效地在各种模拟和现实条件下为即将爆发的疫情提供了早期预警信号 (EWS).
• 平行LSTM-CNN模型在处理疾病爆发测量中固有的噪音数据方面被证明是稳健的.

结论:

• 深度学习的进步,特别是平行LSTM-CNN模型,显著提高了提供改进EWS的能力.
• 该模型在杂环境中的有效性使其非常适用于现实世界的新兴疾病爆发监测和预测.
• 这项研究将复杂的计算方法与实际的公共卫生需求相结合,以实现更好的流行病准备.