BioSurveillance-Agent: A Multi-Method Explainable Agentic Platform for Epidemic Surveillance on One-Health Networks
BioSurveillance-Agent 是一个多方法可解释的智能体平台，它整合了“全健康”（One Health）网络、可穿戴传感器以及混合人工智能流水线，以实现上下文自适应、层级化的流行病监测与干预，并通过稳健且可由人类审计的决策过程，显著降低了疾病传播率和死亡率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当一种新疾病开始传播时，竞争不仅在于寻找它，更在于理解它是如何在构成我们世界的复杂的人类、动物与环境连接网络中移动的。这就是“同一健康”（One Health）的领域，这一视角认识到人类的健康与牲畜、野生动物以及周围环境的健康紧密相连。在这个领域，科学家们构建数字模型来模拟感染是如何传播的，就像天气预报预测风暴一样。然而，一个关键的挑战仍然存在：如果一个计算机程序决定封锁一座城市或分配疫苗，公共卫生官员需要确切知道计算机为什么做出那个选择。他们不能根据一个无法提供解释的“黑箱”决策来采取行动。目标是创建一个不仅快速准确，而且透明的系统，允许人类在采取行动之前审计并信任机器的推理过程。
卡坦扎罗大学和卡拉布里亚大学的研究人员开发了一个名为 BioSurveillance-Agent 的新平台来解决这个问题。这是一个统一的系统，旨在监测流行病、推理如何阻止它们，并部署应对措施，同时保持“人在回路”以验证逻辑。该平台模拟了一个人类、动物和环境通过庞大网络相互连接的世界。它利用来自模拟可穿戴传感器（追踪心率、体温和活动水平的设备）的数据，在个人甚至在出现明显症状之前就检测到疾病的早期迹象。这些信号被输入到一个复杂的计算机模型中，该模型可以预测谁接下来可能生病。但真正的创新在于系统如何解释其预测。该智能体并没有依赖单一的方法来证明其决策，而是向五种不同类型的可解释模型和四种先进的数学工具询问，以分析相同的数据。然后，它结合它们的答案，创建一个关于谁面临最高风险以及原因的清晰排名列表。
该系统的运行就像一个数字智能体团队在协同工作。在更高级的设置中，一个中央协调器管理着几个区域智能体，每个智能体负责特定的区域。这些区域智能体并不完全相同；它们被赋予了不同的“能力剖面”，以反映其当地环境的现实情况。一个疫苗库存有限且没有强制隔离令的农村地区，其行动方式会与一个拥有充足医院容量和严格隔离规则的城市中心截然不同。中央智能体观察大局，仅在某个区域资源耗尽或疾病跨越边界时才会介入。这种设计使系统能够根据每个位置的具体约束来调整其策略，而不是应用一刀切的规则。
为了测试这种方法的有效性，研究人员进行了一系列严格的模拟。他们将这种新的多方法系统与旧的、更简单的方案进行了对比，发现这种混合设计非常有效。与没有任何干预的情景相比，该系统成功地减少了流行病的整体传播并降低了死亡人数。具体而言，机器引导的干预措施将流行病的总体负担降低了近四分之一，并将死亡人数削减了 1al 3% 以上。当研究人员将一个管理整个网络的单一扁平化智能体与管理层级式团队的区域智能体进行比较时，团队方法表现得更为优越。区域智能体部署了近三倍数量的目标干预措施，因为它们可以同时在各自区域采取行动，而不必等待单个中央大脑处理每一个警报。
研究的一个关键部分是确定哪种解释方法最利于人类理解。团队测试了九种不同的解释计算机决策的方法。他们发现两类方法之间存在明显的界限。第一类被称为“经典可解释模型”，产生的解释看起来像是简单的“如果-那么”规则，例如“如果心率高且活动量低，则该人处于风险之中”。这些解释对人类来说易于阅读和理解，在清晰度方面得分很高。第二类被称为“事后解释法”（post-hoc methods），使用复杂的数学梯度来解释决策。虽然这些方法在数学上很先进，但产生的解释看起来像是没有明确人类意义的数字列表，例如“嵌入维度 13 是原因”。研究表明，该系统可以使用清晰的、基于规则的解释来实现高准确度，而不会牺牲性能，这挑战了“必须在聪明的计算机和清晰的解释之间做出选择”的旧观念。
研究人员还通过故意破坏系统的一部分来测试系统的韧性。他们在数据中加入了随机噪声，隐藏了关键信息，甚至移除了整个解释方法，以观察系统是否会失效。令人惊讶的是，即使在解释被扰乱的情况下，系统减少死亡和控制流行病的能力依然保持稳定。这是因为系统的决策逻辑是建立在简单的阈值之上的——例如“如果感染率超过某个特定点，就开始隔离”——而不是依赖于任何单一解释的精确细节。这意味着系统是稳健的；它可以处理其推理工具中的错误而不至于崩溃，因为整体策略是建立在坚实的、预定义的安全限制之上的。
最后，团队模拟了一个资源在疫情爆发过程中发生变化的世界。他们测试了某个地区突然缺疫苗或收到新货物的场景。智能体立即进行了调整。当一个地区的供应被削减时，局部智能体会停止行动并向中央协调器寻求帮助。当供应得到补充时，智能体会恢复工作。这种动态适应确保了资源被用在最需要的地方，并且比静态系统进一步减少了死亡人数。研究结论指出，通过将智能且具适应性的智能体网络与多层级的决策解释方法相结合，可以构建一个既强大到足以挽救生命，又足够透明以赢得人类信任的流行病监测系统。
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。