Riepilogo Tecnico: Come (Non) Ibridare Modelli Neurali e Meccanicistici per la Previsione Epidemiologica

Problema

La previsione epidemiologica a partire da dati di sorveglianza è un compito complesso caratterizzato da osservabilità parziale e non stazionarietà. Mentre i modelli compartimentali meccanicistici (es. SIR, SIRS) offrono interpretabza e plausibilità epidemiologica, essi spesso si basano su forti assunzioni di stazionarietà dei parametri. Al contrario, i modelli neurali guidati dai dati (es. RNN, Transformer) catturano dinamiche non stazionarie ma mancano spesso di interpretabilità e possono produrre previsioni fisicamente incoerenti su orizzonti temporali lunghi.

L'ibridazione di questi approcci è una direzione naturale, tuttavia il documento identifica che molti accoppiamenti diretti falliscono nella pratica. Nello specifico, quando solo un sottoinsieme di stati (ad esempio, casi infetti $I(t)$) è osservato mentre altri ($S(t)$, $R(t)$) rimangono latenti, i modelli ibridi standard soffrono di:

1. Problemi di Identificabilità: Molteplici traiettorie latenti possono spiegare gli stessi dati osservati, portando a rollout instabili a lungo termine.
2. Fallimento dei Raffinamenti di Ottimizzazione: Tecniche come l'addestramento ad adjoint bidirezionale o le perdite physics-informed non risolvono la mancanza fondamentale di segnali strutturali nel segnale di input, risultando spesso in soluzioni degenerate o dinamiche latenti implausibili.
3. Incapacità di Catturare Dinamiche Multi-Onda: I modelli faticano a estrapolare attraverso le onde epidemiche guidate da processi di forcing latenti (stagionalità, calo dell'immunità) che non sono esplicitamente rappresentati nel canale di input.

Metodologia: Il Framework EpiNode

Per affrontare queste modalità di fallimento, gli autori propongono EpiNode, un framework ibrido a controllo di decomposizione. L'intuizione centrale è che una prestazione robusta richiede rendere esplicita la non stazionarietà, estraendo ed estrapolando la struttura multi-scala dalla serie temporale delle infezioni osservate per servirla come segnali di controllo per un Neural ODE controllato.

1. Decomposizione del Segnale Multi-Scala (VMD)

La serie temporale delle infezioni osservate $I(t)$ viene decomposta utilizzando la Variational Mode Decomposition (VMD) in tre componenti distinte:

• Trend ($T(t)$): Cattura i cambiamenti lenti guidati dall'immunità accumulata, dal comportamento e dalle politiche.
• Stagionalità ($S(t)$): Cattura il forcing periodico (es. clima, cicli scolastici).
• Residuo ($R(t)$): Assorbe il rumore ad alta frequenza e le fluttuazioni stocastiche.

Queste componenti vengono estrapolate oltre la finestra di osservazione utilizzando regole specifiche per canale (drift lineare per il trend, tiling periodico per la stagionalità, media per i residui) per fornire segnali di controllo continui.

2. Neural ODE Latenti Collaborativi

Invece di un singolo stato latente, EpiNode mantiene tre stati latenti separati $h^{(T)}(t)$, $h^{(S)}(t)$ e $h^{(R)}(t)$, ciascuno dei quali evolve secondo un Neural ODE guidato dal corrispondente segnale di controllo decomposto (con embedding di ritardo temporale per il contesto temporale):
$$\frac{dh^{(c)}(t)}{dt} = f_{\theta_c}(h^{(c)}(t), u^{(c)}(t)) - \lambda_c h^{(c)}(t)$$
dove $c \in \{T, S, R\}$. Questo disaccoppia le dinamiche multi-scala, permettendo al modello di catturare le dipendenze temporali specifiche per componente.

3. Accoppiamento Meccanicistico e Inferenza dei Parametri

Gli stati latenti sono fusi tramite un Multi-Layer Perceptron (MLP) per decodificare i parametri epidemiologici variabili nel tempo: tasso di trasmissione $\beta(t)$, tasso di guarigione $\gamma(t)$ e tasso di perdita dell'immunità $\delta(t)$. Questi parametri sono vincolati in intervalli interpretabili e limitati.
I parametri decodificati guidano un sistema di ODE SIRS (Susceptible-Infected-Recovered-Susceptible) meccanicistico:
$$\dot{S} = -\beta S I + \delta R, \quad \dot{I} = \beta S I - \gamma I, \quad \dot{R} = \gamma I - \delta R$$
Il sistema viene integrato numericamente (RK4) con l'applicazione della conservazione della massa per garantire la coerenza epidemiologica.

4. Obiettivo di Addestramento

Il modello è addestrato end-to-end minimizzando l'errore quadratico medio pesato sul compartimento degli infetti osservato $I(t)$, con gradienti retropropagati attraverso i solver ODE e il processo di decomposizione.

Contributi Chiave

1. Caratterizzazione delle Modalità di Fallimento: Il documento cataloga sistematicamente gli "antipattern" nell'ibridazione neurale-meccanicistica, dimostrando che i Neural ODE vanilla, l'addestramento bidirezionale e le perdite physics-informed falliscono sotto l'osservabilità parziale e i parametri variabili nel tempo senza un controllo strutturale esplicito.
2. Architettura EpiNode: Un nuovo framework che accoppia un Neural ODE con la dinamica meccanicistica SIRS, utilizzando la decomposizione del segnale multi-scala come segnale di controllo interpretabile per affrontare l'osservabilità parziale e la non stazionarietà.
3. Superiorità Empirica: Benchmark estesi su dataset sintetici e reali (dati CDC ILI) mostrano che EpiNode raggiunge il RMSE più basso, la migliore accuratezza nella rilevazione dei picchi e il recupero più accurato dei parametri variabili nel tempo rispetto a forti baseline (ARIMA, LSTM, Neural ODEs, Latent ODEs e altri modelli physics-informed).

Risultati Sperimentali

• Accuratezza della Previsione: EpiNode ha ottenuto il RMSE più basso in tutti e cinque i dataset (SIRS/SIR/SEIRS sintetici e ILI reali), mostrando una riduzione dell'errore del 27–70% rispetto alle baseline più forti. Ha mantenito la stabilità nei rollout a lungo orizzonte dove altri modelli derivavano o si appiattivano.
• Rilevazione dei Picchi: Il modello ha raggiunto la migliore accuratezza nel timing del picco (bias di 0.0 settimane sui dati ILI) e un'accuratezza competitiva sull'ampiezza del picco, superando metodi che spesso sbagliano il timing del picco di diverse settimane.
• Inferenza dei Parametri: EpiNode ha recuperato con successo i compartimenti non osservati ($S, R$) e i parametri variabili nel tempo ($\beta, \gamma, \delta$) entro i range della verità fondamentale (ground-truth) per i dati sintetici. Per i dati reali, ha inferito tassi di trasmissione fluidi e modulati stagionalmente coerenti con i pattern epidemiologici noti.
• Robustezza: Il modello è rimasto stabile anche in presenza di mismatch fisico (es. addestramento su dati SIR quando il processo reale era SEIRS), indicando che i segnali di controllo latenti compensano efficacemente le dinamiche non modellate.

Significato e Rivendicazioni

Il documento sostiene che l'ibridazione da sola è insufficiente; la chiave del successo risiede nel modellare esplicitamente la struttura multi-scala del segnale osservato per guidare le dinamiche latenti. Decomponendo l'input in componenti di trend, stagionalità e residuo, EpiNode separa gli effetti confondenti, consentendo una previsione stabile a lungo termine e un'inferenza dei parametri interpretabile senza fare affidamento su covariate ausiliarie.

Gli autori posizionano EpiNode come uno strumento di supporto alle decisioni che colma il divario tra prestazioni predittive e intuizione epidemiologica. Esso fornisce non solo previsioni puntuali ma anche capacità di analisi retrospettiva riguardo ai driver sottostanti delle dinamiche epidemiche (es. forcing stagionale vs cambiamenti comportamentali). Il documento riconosce i limiti, notando che la formulazione attuale si concentra su dinamiche deterministiche di singola regione e tratta la decomposizione come un passaggio di pre-processing piuttosto che come un modulo apprendibile, suggerendo lavori futuri nella modellazione probabilistica, l'accoppiamento spaziale e i moduli di decomposizione apprendibili.