Spatio-temporal stochastic graph-based learning for infectious disease forecasting

Resumo Técnico: Aprendizado Baseado em Grafos Estocásticos Espaço-Temporais para Previsão de Doenças Infecciosas

Definição do Problema
Os modelos existentes de aprendizado baseados em grafos espaço-temporais para a previsão de doenças infecciosas (ex: COVID-19 e catapora) têm investigado pouco a integração de modelagem estocástica em seus processos de aprendizado. Além disso, a maioria dos trabalhos anteriores foca em redes geográficas de pequeno a médio porte (ex: 20–400 regiões) ou exibe variabilidade limitada em suas trajetórias de teste, que frequentemente falham em refletir as flutuações complexas, heterogêneas e de alta frequência observadas na propagação de doenças no mundo real em grandes nações. Consequentemente, permanece incerto se as arquiteturas atuais podem prever com precisão as trajetórias de doenças em redes epidemiológicas de grande escala e altamente variáveis.

Metodologia
Os autores propõem uma Arquitetura de Aprendizado Baseada em Grafos Estocásticos Espaço-Temporais projetada para prever novos casos de doenças infecciosas, integrando formulação estocástica e aproximação de incerteza. A arquitetura consiste em três módulos sequenciais:

1. Codificação de Sequência Multivariada: Este módulo padroniza os dados temporais de incidência de doenças e as conexões geográficas. Ele cria amostras de sequência defasadas ($X(t)$) onde os dados temporais são escalonados para $[0, 1]$ e organizados em um domínio de grafo espacial estático. A entrada inclui um tensor espaço-temporal representando casos de doenças em $G_l$ locais ao longo de uma janela $W$, acompanhado de tensores de índice de aresta e atributos que representam a topologia geográfica.
2. Processamento Espaço-Temporal: Este módulo extrai características latentes usando duas variantes propostas:
   • PrGCNrmsle: Baseado em uma camada de Rede de Convolução de Grafos (GCN). Ele agrega informações de nós vizinhos usando normalização simétrica para aprender correlações espaciais invariantes à densidade de conectividade local.
   • PrGLSTMrmsle: Estende o GCN com uma camada de Long Short-Term Memory (LSTM). Esta versão processa as saídas do GCN para capturar dependências temporais e a evolução do estado oculto, filtrando ruídos de curto prazo enquanto retém a memória de dinâmicas de múltiplas ondas.
3. Método Estocástico: Uma camada totalmente conectada (MLP) mapeia as características latentes para um descritor bidimensional por local, representando a média ($\mu$) e o log-variância ($\ln \sigma$) de uma distribuição normal. Usando um truque de reparametrização, o modelo amostra desta distribuição para gerar previsões estocásticas ($\hat{y} = \mu + \sigma \odot \epsilon$). Isso induz perturbações mínimas para simular a variabilidade interna sem reintroduzir priors estruturais que poderiam suavizar excessivamente a representação.

Treinamento e Avaliação

• Função de Perda: Os modelos são treinados de ponta a ponta usando o Erro Quadrático Médio Logarítmico (RMSLE). Esta escolha penaliza mais pesadamente a subestimação de casos de doenças do que a superestimação e trata erros relativos igualmente entre locais de diferentes tamanhos, focando o modelo em características dinâmicas globais em vez de flutuações locais.
• Estimativa de Incerteza: A incerteza epistêmica é aproximada via um método de ensemble. O modelo é treinado 100 vezes com diferentes inicializações (valores de semente/seed) para gerar uma distribuição de previsões, a partir da qual é derivado um intervalo de variabilidade de 95%.
• Datasets:
  • COVID-19 (EUA): 3.218 condados nos EUA (2020–2022), cobrindo períodos de treinamento (jan. 2020–dez. 2021) e teste (dez. 2021–out. 2022) com padrões de ondas altamente variáveis.
  • Catapora (Hungria): 20 condados (2005–2014), cobrindo períodos de treinamento (2005–2012) e teste (2012–2014) com padrões de ondas sazonais mais consistentes.
• Baselines: Os modelos propostos foram comparados com quatro modelos de grafos espaço-temporais (EvolveGCNH, GCLSTM, GConvLSTM, MPNNLSTM) e diversas variantes de ablação (removendo estocasticidade, alterando funções de perda ou removendo módulos espaciais).

Principais Resultados

• Desempenho: O PrGCNrmsle proposto alcançou um desempenho semanal competitivo em todos os 3.218 condados dos EUA e 20 condados da Hungria. Demonstrou capacidade aprimorada na previsão da primeira onda de COVID-19 em 2022 nos EUA e em ondas comparativas de catapora na Hungria (2012–2014).
• Estabilidade: A abordagem proposta exibiu menor sensibilidade à variabilidade de alta frequência e baixa amplitude em comparação aos baselines. Apresentou intervalos de variabilidade menores em suas previsões ao longo de 100 execuções, indicando maior estabilidade.
• Limitações Observadas:
  • Atraso Temporal: Um atraso de um passo consistente (uma semana) foi observado nas previsões em relação às observações. O modelo tende a seguir a direção da tendência, mas apresenta atraso em capturar mudanças abruptas ou o tempo do pico.
  • Estimativa de Pico: Embora o PrGCNrmsle tenha aproximado bem a evolução temporal geral, por vezes superestimou picos para ondas menores ou subestimou picos rápidos em dados de alta frequência.
  • Variante LSTM: A variante PrGLSTMrmsle (GCN + LSTM) mostrou aumento de erro durante as previsões de picos de inverno para a COVID-19 e exigiu significativamente mais tempo de treinamento (~4,5x) em comparação ao PrGCNrmsle, sugerindo que a camada LSTM pode sofrer overfitting em ondas de treinamento menores ou ter dificuldade com picos maiores e inéditos.
• Eficiência Computacional: O PrGCNrmsle demonstrou convergência mais rápida e menos parâmetros treináveis em comparação com os baselines baseados em RNN, tornando-o mais eficiente computacionalmente para redes de grande escala.

Significância e Alegações
O artigo alega que a arquitetura proposta consegue adaptar-se para codificar tanto redes geográficas de populações grandes (condados dos EUA) quanto pequenas (condados da Hungria) dentro de uma única estrutura de modelo. Ao incorporar uma formulação estocástica, o modelo representa a progressão epidêmica geral em relação aos baselines enquanto mantém a integridade estrutural e minimiza a propagação da incerteza.

Os autores posicionam este trabalho como um passo em direção a uma previsão de epidemias mais robusta em ambientes heterogêneos. Eles argumentam que, embora o modelo capture tendências dominantes e forneça monitoramento útil das trajetórias de doenças, sua aplicação à política de saúde pública requer melhorias metodológicas adicionais para lidar com o atraso de um passo e gerenciar melhor mudanças rápidas e não lineares na incidência. O estudo destaca que os modelos baseados em grafos atuais frequentemente lutam com o descompasso entre trajetórias de treinamento (padrões consistentes) e trajetas de teste (padrões altamente variáveis), e que sua abordagem estocástica oferece um mecanismo para representar melhor o espectro de possibilidades na propagação de doenças sem sacrificar a eficiência computacional.