新火種
2025-02-07 
革新疾病預測：釋放AI和機械模型的力量
編輯丨toileter
將嵌入機械模型中的先前流行病學知識與 AI 的數據挖掘功能相結合，為流行病學建模提供了變革性的潛力。雖然 AI 與傳統機械方法的融合正在迅速發展，但工作仍然分散。
目前，需要更好地納入現實的決策考慮，擴大對不同數據集的探索，以及進一步研究生物和社會行為機制。解決這些差距將釋放 AI 和機制建模的協同潛力，以增強對疾病動態的理解并支持更有效的公共衛生規劃和響應。
來自美國耶魯大學與加拿大約克大學的團隊將他們的研究以「Integrating artificial intelligence with mechanistic epidemiological modeling: a scoping review of opportunities and challenges」作為標題，于 2025 年 1 月 10 日發布在《Nature Communications》。
研究選擇和特征
團隊的檢索納入了 15,460 項研究。
圖示：PRISMA 流程圖（圖源：論文）
這些研究涵蓋了不同傳染病綜合模型的各個應用領域。總體上涵蓋了 26 種傳染病，大多數集中于 COVID-19，其次為流感。
應用領域被分為六個部分，傳染病預測、模型參數化和校準、疾病干預評估和優化、回顧性流行病分析、傳播推斷與疫情檢測。
該團隊確定了九個主要的方法框架。其中替代建模/綜合訓練的 AI 模型占最大比例，其次為 AI 增強的流行病學模型。
圖示：方法框架說明性實例。（圖源：論文）
近半的研究采用 AI 來學習流行病學模型的未知成分，從而能夠將時變成分和不同的數據集納入疾病建模。其他常見的整合方法包括使用流行病學模型生成的數據訓練人工智能技術。
現狀討論
大數據的快速擴展和計算能力的進步極大地拓寬了 AI 技術與機械流行病學建模的集成。在審查的 245 項研究中，近 90% 是在過去四年中發表的，面對不斷發展的流行病學情況，集成模型成功地解決了機械模型帶來的挑戰。
這一成功是通過利用人工智能技術從不同的數據庫中提取有價值的信息，有效地學習和轉移數據中嵌入的知識，并在已建立的貝葉斯和優化框架中引入方法創新。
雖然大數據在增強這些模型方面具有巨大潛力，但社交媒體內容、搜索查詢、醫療報告和衛星圖像等非傳統監控數據的集成仍然有限。
疾病的傳播是一個復雜的流程，受流行病學、生物學和社會行為因素的共同影響。目前的模型主要關注流行病學，忽視了其他影響因素的復雜相互作用。
回顧與總結
人工智能技術和機械流行病學模型可以相互協同增強，利用人工智能方法的優勢來學習復雜的投入產出關系，同時結合嵌入機械模型中的先前流行病學知識。
通過跨學科合作應對這些挑戰，人類可以釋放 AI 的全部潛力，豐富流行病學建模工具包，最終增強理解、預防、緩解和應對傳染病爆發的能力。
原文鏈接：https://www.nature.com/articles/s41467-024-55461-x
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
