Machine Generalize Learning in Agent-Based Models: Going Beyond Surrogate Models for Calibration in ABMs

1. Problématique

Les modèles basés sur les agents (ABM) sont des outils puissants pour simuler la dynamique des maladies infectieuses en tenant compte de l'hétérogénéité des individus et de leurs interactions. Cependant, leur calibration (c'est-à-dire l'ajustement des paramètres du modèle pour qu'ils correspondent aux données observées) est extrêmement coûteuse en temps de calcul.

Les méthodes traditionnelles, telles que le Calcul Bayésien Approximatif (ABC) utilisant des chaînes de Markov Monte Carlo (MCMC), nécessitent des milliers de simulations forward (avant) pour chaque estimation de paramètre. Dans des contextes de santé publique où les décisions doivent être prises rapidement face à l'émergence de nouvelles données (par exemple, lors d'une épidémie), cette lourdeur computationnelle rend les ABM peu pratiques pour la prévision en temps réel.

2. Méthodologie : DeepIMC

Les auteurs proposent DeepIMC (Deep Inverse Mapping Calibration), un cadre d'apprentissage automatique conçu pour apprendre directement l'application inverse : passer des séries temporelles épidémiques observées aux paramètres épidémiologiques sous-jacents, plutôt que l'inverse (paramètres $\to$ données).

• Architecture du modèle :

  • Le cœur de la méthode est un réseau de neurones BiLSTM (Long Short-Term Memory Bidirectionnel).
  • Les données d'entrée sont des séries temporelles d'incidence quotidienne (généralement 60 jours), complétées par des covariables connues (taille de la population $N$ et taux de guérison $p_{recov}$).
  • Le réseau est entraîné sur des données synthétiques générées par un modèle ABM de type SIR (Susceptible-Infecté-Rétabli).
  • La sortie du réseau prédit trois paramètres clés : la probabilité de transmission ($p_{tran}$), le taux de contact ($c_{rate}$) et le nombre de reproduction de base ($R_0$).

• Contraintes épidémiologiques :

  • Pour garantir la cohérence biologique, une fonction de perte composite est utilisée. Elle combine l'erreur quadratique moyenne (MSE) avec un terme de pénalité qui force la relation théorique $R_0 \approx \frac{p_{tran} \times c_{rate}}{p_{recov}}$.
  • Des fonctions d'activation spécifiques (sigmoïde pour les probabilités, softplus pour les taux positifs) sont utilisées pour respecter les contraintes physiques des paramètres.

• Entraînement :

  • Le modèle est entraîné de manière supervisée sur 5 000 scénarios épidémiques hétérogènes générés par le modèle ABM.
  • Une fois entraîné, le modèle ne nécessite plus de simulations pour l'inférence ; il effectue une seule passe avant (forward pass) pour estimer les paramètres.

3. Contributions Clés

1. Inversion de la paradigme de calibration : Contrairement aux modèles de substitution (surrogate models) qui apprennent à prédire les données à partir des paramètres, DeepIMC apprend à inférer les paramètres directement à partir des données observées.
2. Implémentation logicielle : Développement du package R open-source epiworldRCalibrate, rendant cette méthode accessible aux chercheurs et praticiens.
3. Gestion de l'identifiabilité : Reconnaissance explicite que certains paramètres peuvent ne pas être parfaitement identifiables individuellement (problème d'identifiabilité structurelle), mais que l'ensemble des paramètres calibrés permet de reproduire fidèlement la trajectoire épidémique.

4. Résultats

L'étude compare DeepIMC à l'ABC (implémenté via LFMCMC) sur 5 000 scénarios de test et sur des données réelles de COVID-19 en Utah.

• Précision des paramètres :
  • DeepIMC surpasse nettement l'ABC en termes d'erreur absolue moyenne (MAE) et d'erreur quadratique moyenne (RMSE) pour la récupération des paramètres, en particulier pour $R_0$ et la probabilité de transmission.
  • L'ABC montre des biais systématiques et des distributions d'erreur plus larges.
• Performance prédictive :
  • Les modèles calibrés par DeepIMC produisent des trajectoires épidémiques avec un biais plus faible et des intervalles de crédibilité 95 % plus étroits et mieux calibrés que ceux de l'ABC.
  • La couverture empirique des intervalles de prédiction reste proche de la cible de 95 % pour les deux méthodes, mais DeepIMC offre une précision supérieure.
• Efficacité computationnelle :
  • C'est le gain le plus significatif : DeepIMC réduit le temps de calibration d'un ordre de grandeur.
  • Temps moyen : ~2,35 secondes pour DeepIMC contre ~77,40 secondes pour l'ABC (sur un modèle simple). Dans des modèles ABM plus complexes, ce gain serait encore plus massif.
• Données réelles :
  • Sur les données de l'Utah, DeepIMC a produit des intervalles de prédiction plus serrés que l'ABC tout en maintenant une couverture adéquate, démontrant son utilité pour le suivi en temps réel.

5. Signification et Implications

DeepIMC représente une avancée majeure pour la modélisation épidémiologique opérationnelle :

• Décision en temps réel : La rapidité d'inférence permet de mettre à jour les prévisions et d'évaluer des scénarios d'intervention au fur et à mesure que de nouvelles données arrivent, ce qui était impossible avec les méthodes ABC classiques.
• Scalabilité : La méthode est facilement applicable à de multiples régions ou scénarios simultanément sans surcoût computationnel significatif.
• Limites et perspectives : Bien que la récupération précise de chaque paramètre individuel soit limitée par l'identifiabilité structurelle du modèle SIR, la capacité à reconstruire la dynamique globale de l'épidémie est excellente. Les auteurs suggèrent des extensions futures pour gérer des trajectoires de longueurs variables et des modèles plus complexes (SEIR, hétérogénéité spatiale).

En conclusion, DeepIMC offre une alternative scalable, précise et opérationnellement efficace aux méthodes de calibration basées sur la simulation, facilitant l'adoption des modèles basés sur les agents pour l'analyse des politiques de santé publique.