将机器学习与混合和代用模型集成,以加速急性呼吸道感染的多尺度建模
Andrey Korzin1, Maria Koshkareva1, Vasiliy Leonenko1,2
1Research Center "Strong Artificial Intelligence in Industry", ITMO University, Saint Petersburg 199034, Russia.
Viruses
|December 31, 2025
概括
这项研究引入了机器学习和混合模型,以加快急性呼吸道感染 (ARI) 的预测. 这些方法加快了复杂的基于个体的模型 (IBM) 以实现更可行的实时流行病监测.
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:
- 由于疾病动态的多尺度性质,对急性呼吸道感染 (ARI) 的准确建模具有挑战性.
- 分区模型 (例如,SIR) 是简单的,但错过了个人层面的相互作用.
- 基于个体的模型 (IBM) 捕捉了详细的传输,但计算密集.
研究的目的:
- 通过详细的流行病模型加速预测ARI动态.
- 探索混合和替代方法,以实现更快的计算速度.
- 评估这些实时监控加速方法的准确性和可行性.
主要方法:
- 开发了一种混合方法,将IBM和隔间模型与基于ML的切换相结合.
- 实施了使用自编码器近似方法的替代方法,以取代IBM模拟.
- 与传统的IBM相比,我们比较了混合和替代方法的速度和准确性.
主要成果:
- 与标准的IBM相比,混合方法实现了1.6-2倍的速度.
- 替代方法产生了高达104倍的加速度.
- 这两种方法都保持了准确性,使细粒度的流行病建模更加可行.
结论:
- 机器学习和混合建模显著加速ARI预测.
- 这些方法提高了使用详细模型实时流行病监测的可行性.
- 虽然它们不是完全的替代品,但它们为流行病建模中的计算挑战提供了实际的解决方案.
更多相关视频
04:04Asthma Detection Research Based on Voice Signal Processing and Machine Learning
Published on: July 22, 2025
879
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
396
