Modeling COVID-19 spread in the USA using metapopulation SIR models coupled with graph convolutional neural networks
本文将一种此前已在日本社区数据上得到验证的混合图卷积神经网络与易感-感染-康复（GCN-SIR）模型，扩展应用至美国本土，旨在通过考虑独特的流动模式和政策响应，以改进对再生数（reproduction number）的实时估计并预测新冠肺炎在各州之间的传播情况。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
追踪病毒的传播就像试图预测一场风暴的路径，只不过这场风暴由随处移动的人群组成，而非风和雨。几十年来，科学家们一直使用一种标准方法来模拟这些疫情，将人群分为三组：易感人群、当前患病人群，以及康复或去世的人群。这种方法对于每个人互动频率相同的单一、孤立的社区非常有效。然而，现实世界要复杂得多。人们在城市和州之间往来，随身携带病毒，而地方性的规则或政策也会改变疾病传播的速度。为了理解一场横跨广袤国土的流行病，研究人员需要一种能够解释这些连接关系以及每个地区独特条件的模型。
在最近的一项研究中，研究人员彼得·基塞莱夫（Petr Kisselev）和帕德马纳班·塞谢尔（Padmanabhan Seshaiyer）通过将一种高级人工智能应用于追踪美国境内 COVID-19 的问题，应对了这一挑战。他们将传统的疾病模型与图卷积神经网络相结合，这是一种旨在理解事物如何相互连接的工具。想象一张地图，每个州都是一个点，连接它们的线代表了人们在各州之间往来的频率。研究人员利用这张地图来教计算机如何让病毒移动。通过向计算机输入美国 48 个连续州每日感染病例的真实数据，他们让系统学习了标准模型经常忽略的移动性和传播的隐藏模式。
研究团队从一开始就面临着一个重大障碍：虽然他们拥有关于多少人染病的极佳数据，但却缺乏关于美国有多少人康复的可靠记录。他们改编的原型模型是基于日本的数据构建的，而在日本，康复人数的数据是容易获取的。为了解决这个问题，研究人员开发了一种变通方法。他们利用已知的感染人数和数学近似值来估算运行模拟所需的康复率。这使得他们能够在不需要每个康复患者都有完美数据的情况下，保持模型的运行。他们还必须调整模型计算旅行的方式。在日本，地区之间的距离是人们移动的主要因素。然而在美国，人们无论距离多远，都会在主要枢纽之间进行长途飞行。研究人员在计算中增加了一个新项，以解释这种航空旅行，确保即使是人口稠密且距离较远的州，也能在模型中被正确地连接起来。
一旦系统训练完成，结果显示，这种混合方法在预测未来方面明显优于标准方法。当研究人员测试了一天后和七天后的预测时，由于该模型考虑了各州之间的具体差异，其表现始终优于传统方法。模型学到了病毒在像纽约这样拥挤的城市与像北达科他州这样农村地区的行为方式是不同的。然而，这些预测的准确性并非在所有领域都一致。该模型在人口众多的州表现得异常出色，因为庞大的数据点有助于计算机清晰地学习模式。对于规模较小的州，预测的精确度较低，这表明模型在人口较少的地区需要更详细的数据才能有效运作。
除了预测每日感染人数外，研究人员还利用他们的模型来追踪再生数（reproduction number），这是一个告诉公共卫生官员一名感染者可能导致多少名新病例的关键指标。通过观察模型如何实时调整其内部参数，他们可以随着大流行病的发展估算这一数值。生成的图表展示了病毒传播的起伏，捕捉到了全国范围内大流行的总体趋势。虽然国家层面的估算很可靠，但团队发现，将这一数值细化到各个州是非常困难的，这可能是因为较小区域的数据过于稀疏，无法支持如此细粒度的观察。
该研究得出结论，将基于网络的智能技术与疾病建模相结合的方法，在理解传染病方面具有巨大的潜力。它成功证明了，通过教计算机识别人类移动的复杂网络，科学家可以做出比以往任何时候都更准确的预测。研究人员承认，该模型并不完美，特别是在应用于较小规模的人口时，未来的工作需要专注于完善如何估算移动性，并可能将分析细化到县级层面。目前，这项工作是一个重要的进步，证明了借助正确的工具和足够的数据，我们可以构建出一幅更清晰的病毒如何在国家间传播的图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。