用于结核病爆时空预测的疫情引导深度学习
机器学习
2025-10-29 v2 定量方法
机器学习
摘要
结核病（TB）仍然是一个严峻的全球健康挑战，其由复杂的时空传播动态所驱动，并受人口流动和行为变化等因素的影响。我们提出了一种疫情引导深度学习（EGDL）方法，将机制流行病学原理与先进的深度学习技术相融合，以增强结核病爆发的早期预警系统和干预策略。我们的框架建立在改进的网络化易感-感染-恢复（MN-SIR）模型之上，并通过饱和发病率和图拉普拉斯扩散进行增强，捕捉了长期传播动态和特定区域的人口流动模式。使用马尔可夫链蒙特卡洛方法通过贝叶斯推断对仓室模型参数进行了严格估计。利用比较原理和格林公式进行的理论分析确立了无病平衡点和地方病平衡点的全局稳定性。基于这些流行病学见解，我们设计了两种预测架构，EGDL-Parallel 和 EGDL-Series，将 MN-SIR 模型的机制输出集成到深度神经网络中。这种集成减轻了数据驱动方法中常见的过拟合风险，并过滤了监测数据中固有的噪声，从而产生对现实世界流行趋势的可靠预测。在日本47个行政区和中国大陆31个省份的结核病发病率数据上进行的实验表明，我们的方法在多个时间跨度（短至中期预测）上提供了稳健且准确的预测，支持其在具有不同人口动态的区域间的泛化能力。
引用
@article{arxiv.2502.10786,
title = {Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak},
author = {Madhab Barman and Madhurima Panja and Nachiketa Mishra and Tanujit Chakraborty},
journal= {arXiv preprint arXiv:2502.10786},
year = {2025}
}