用于疾病暴发预测的深度学习：跨临界分岔的鲁棒早期预警信号
机器学习
2025-01-15 v1 人工智能
摘要
早期预警信号（EWS）对于在疾病演变为大流行之前实施预防措施至关重要。尽管新发疾病表现出独特的行为特征，但从动力系统角度来看，它们通常具有共同的基本特征。此外，疾病暴发期间的测量数据常受不同噪声源干扰，给时间序列分类（TSC）任务带来挑战。本研究利用 TSC 领域中性能最佳的深度学习模型，致力于解决疾病暴发预测中鲁棒 EWS 的问题。我们采用两个模拟数据集来训练模型：一个通过随机选择的多项式项生成动力系统以建模新发疾病行为，另一个模拟噪声诱导的疾病动态以考虑含噪测量。模型性能通过来自不同疾病模型的模拟数据以及包括流感和 COVID-19 在内的真实世界数据进行分析。结果表明，所提出的模型优于以往模型，能在各种场景下有效提供迫在眉睫的暴发 EWS。本研究将深度学习的进展与在噪声环境中提供鲁棒早期预警信号的能力相结合，使其高度适用于涉及新发疾病暴发的真实世界危机。
引用
@article{arxiv.2501.07764,
title = {Deep Learning for Disease Outbreak Prediction: A Robust Early Warning Signal for Transcritical Bifurcations},
author = {Reza Miry and Amit K. Chakraborty and Russell Greiner and Mark A. Lewis and Hao Wang and Tianyu Guan and Pouria Ramazi},
journal= {arXiv preprint arXiv:2501.07764},
year = {2025}
}
备注
14 pages, 1 figure, 5 tables