基于深度学习时间序列模型的县域 COVID-19 感染预测与特征敏感性解释
机器学习
2022-10-10 v1
摘要
可解释机器学习在医疗健康领域发挥着关键作用，因为理解深度学习模型预测中的特征重要性具有挑战性。我们提出了一种新颖的框架，利用深度学习研究模型预测的特征敏感性。该工作将敏感性分析与异构时间序列深度学习模型预测相结合，对应于对时空特征的解释。我们使用 Temporal Fusion Transformer 预测县域级别的 COVID-19 感染。随后，我们采用扩展 Morris 方法的敏感性分析，考察输出对于我们静态和动态输入特征扰动的敏感程度。该工作的意义在于基于真实世界的 COVID-19 感染预测，其数据具有高度非平稳、细粒度且异构的特点。1) 我们的模型能够捕捉时空模型行为的详细每日变化，并与 PyTorch 基线相比实现了高预测性能。2) 通过分析 Morris 敏感性指数和注意力模式，我们解读了特征重要性的含义，涉及观测人口与动态模型变化。3) 我们收集了美国 3142 个县超过 2.5 年的社会经济与健康特征，例如观测病例与死亡数，以及若干静态特征（年龄分布、健康差异与产业）和动态特征（疫苗接种、疾病传播、可传播病例与社交距离）。利用所提出的框架，我们进行了大量实验，并表明我们的模型能够学习复杂的交互作用并对县域级别的每日感染进行预测。能够以混合预测与描述精度度量结合 Morris 指数在县域级别对疾病感染建模，是借助敏感性分析阐明个体特征解释的核心思想。
引用
@article{arxiv.2210.03258,
title = {Interpreting County Level COVID-19 Infection and Feature Sensitivity using Deep Learning Time Series Models},
author = {Md Khairul Islam and Di Zhu and Yingzheng Liu and Andrej Erkelens and Nick Daniello and Judy Fox},
journal= {arXiv preprint arXiv:2210.03258},
year = {2022}
}