通过整合位置数据,人工智能系统能够超越其他最先进的预测方法,提供高达11%的准确性和预测提高流感可能会提前15周爆发。
过去的预测工具试图通过研究感染率随时间变化的方式来发现模式,但史蒂文斯大学领导这项工作的岳宁(音)和她的团队使用了图表神经网络将流感感染编码成相互关联的区域集群。这使得他们的算法能够梳理出流感的模式感染从一个区域流向另一个区域,也可以使用在一个区域发现的模式来告知它在其他位置的预测。计算机科学副教授宁说:“捕捉空间和时间的相互作用,可以让我们的机制识别隐藏的模式,并比以往任何时候都更准确地预测流感爆发。”“通过更好地分配资源和制定公共卫生规划,这一工具将对我们如何应对流感暴发产生重大影响。”
Ning和她的团队使用来自美国和日本的真实国家和地区数据训练他们的人工智能工具,然后用历史流感数据对其预测进行测试。其他的模型可以利用过去的数据提前一两周预测流感爆发,但是结合位置数据可以在几个月的时间内做出更准确的预测。“我们的模型也非常透明——其他人工智能预测使用的是‘黑盒’算法,我们能够解释为什么我们的系统做出了具体的预测,以及它如何认为不同地点的疫情正在相互影响,”宁解释说。
在未来,类似的技术也可以用来预测新型冠状病毒肺炎感染。由于COVID-19是一种新病毒,没有用来训练人工智能算法的历史数据;尽管如此,宁浩指出,目前每天都在收集大量位置编码的COVID-19数据。“这可以让我们在继续研究COVID-19大流行时更快地训练算法,”宁说。
宁现在正通过整合新的数据源来改进她的流感预测算法。一项关键的挑战是,弄清楚如何将疫苗接种教育、戴口罩和保持社会距离等公共卫生干预措施纳入考虑。“这很复杂,因为卫生政策是针对疫情严重程度制定的,但也影响了疫情的发展,”宁解释说。“我们需要更多的研究来了解卫生政策和流行病是如何相互作用的。”
另一个挑战是确定哪些数据能真正预测流感爆发,哪些数据只是噪音。例如,宁的研究小组发现,航班交通模式不能有效地预测地区性流感的爆发,但天气数据更有希望。“我们也受到了公开信息的限制,”宁说。“拥有疫苗接种率的位置编码数据将非常有用,但获取这些信息并不容易。”
到目前为止,人工智能工具还没有在现实世界的健康规划中使用,但宁说,医院和政策制定者开始使用人工智能算法,对流感爆发做出更有力的反应,只是时间问题。宁说:“随着我们收集新数据,我们的算法将不断学习和改进,使我们能够提供更准确的长期预测。”“在我们努力应对未来的流行病时,这些技术将产生重大影响。”
来源:史蒂文斯理工学院