原始论文采用 CC BY 4.0 许可（https://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
想象一家医院是一座繁忙且不断变化的城市。在这座城市里，人们（患者）和工作人员（医生、护士）在不同的街区（病房和房间）之间移动。有时，“病毒”就像一个顽皮的幽灵，当人们靠得太近时，它会在人与人之间跳跃。
预测这个幽灵下一步会去哪里极其困难。这不仅仅关乎此刻谁站在谁旁边；还关乎昨天谁在那里、明天谁可能生病，以及“幽灵”如何根据生物学规则（例如康复所需的时间）行事。
长期以来，计算机科学家一直试图使用**图神经网络（GNN）*来解决这个问题。可以将它们想象成超级聪明的侦探，他们查看城市地图和人员流动情况，以猜测谁接下来会生病。它们非常擅长发现模式，但它们就像“黑箱”。当你问它们：“谁会生病？”时，它们会回答：“这个人”，但它们无法根据生物学规则解释为什么*。它们只是基于数据进行猜测，这使得医生对信任它们持犹豫态度。
新想法：教侦探掌握游戏规则
本文的作者创造了一种名为EIGNN（流行病学信息图神经网络）的新工具。
将 EIGNN 想象成给那位超级聪明的侦探提供了一本关于病毒实际运作方式的教科书。侦探不再仅仅基于模式进行猜测，而是被迫遵循疾病的“物理定律”。
在物理学世界中，如果你扔下一个球，重力会将其拉下。在病毒世界中，如果一个健康人遇到一个生病的人，他们生病的概率在数学上是存在的。作者将这些数学规则（称为ODEs或微分方程）直接构建到了侦探的大脑中。
工作原理（类比）
- 地图（图）： 系统将医院视为一张动态地图。患者和房间是点，连接它们的线条显示了谁拜访了谁。
- 侦探（GNN）： 人工智能查看这张地图以了解当前状况。
- 规则手册（流行病学）： 人工智能还获得了一本规则手册，其中规定诸如“一个人不能直接从‘健康’变为‘康复’；他们必须先处于‘生病’状态”之类的内容。
- 训练： 人工智能尝试预测谁会生病。如果它做出了违反规则手册中规则的预测（例如预测某人未经生病就康复了），系统就会斥责它并让它重新尝试。这迫使人工智能同时学习数据中的模式和生物学规则。
他们的发现
研究人员在三种不同场景下测试了这种新的“受规则约束的侦探”：
- 真实数据： 新冠疫情期间的真实医院。
- 模拟数据： 计算机生成的医院，包含病毒和细菌感染。
结果：
- 更高的准确性： 新的人工智能在预测谁会生病方面表现更好，特别是在更长的时间范围内（预测未来 3 到 7 天）。在某些测试中，其成功率接近98%。
- 值得信赖： 由于人工智能遵循生物学规则，其预测对医生来说更有意义。它不仅仅说“这个人病了”；它以符合疾病实际传播方式的方式解释这种转变。
- 学习规则： 人工智能非常出色，以至于它实际上能够“自学”疾病的规则。例如，它计算出平均康复时间约为 12 天，这与现实世界数据完全吻合。它甚至计算出了病毒的传染性，与已知的科学数值相符。
“持续学习”的转折
论文还发现了关于人工智能随时间学习方式的有趣之处。
想象一下，如果侦探只研究上个月的地图并试图预测下个月的情况。他们会失败，因为城市在不断变化。
研究人员发现，如果让人工智能随着新数据的到来而不断更新其知识（就像侦探每天更新地图一样），它就会变得极其稳健。事实上，这种每日更新有时甚至比规则手册本身更重要，帮助人工智能应对真实医院中混乱且不断变化的现实。
核心结论
本文提出了一种方法，使医院的人工智能更智能、更值得信赖。通过迫使人工智能尊重疾病传播的生物学规则，他们创造了一种不仅准确而且可解释的工具。这就像给超级计算机颁发生物学学位，使其能够帮助医生在感染开始之前阻止它们。
重要提示： 本文侧重于预测和解释这些感染。虽然它表明这有助于隔离或检测等决策，但本文本身将其呈现为一种用于风险评估和理解疾病动态的工具，而非一种准备就绪、可立即在所有医院使用的成品临床产品。
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。