跳到主要内容

话题

建模与仿真

建模与仿真

机器学习可以帮助缓慢流行蔓延

28 Apr 2021 玛格丽特哈里斯
欧洲地图显示两种情况下的疾病爆发疾病控制: A simulated outbreak when infection spreads uncontrolled (left) and when the researchers’ method is used to control it (right). The left map is dominated by orange dots (representing infected individuals) and black dots (representing individuals who are either immune or deceased). The right map, which shows the outbreak’s status at the same point in time, is instead dominated by grey dots (susceptible but not infectious individuals) and blue (areas identified as sources of infection using the researchers’ method but subsequently locked down to prevent disease spread). (Courtesy: Laura Natali)" />
疾病控制:当感染时,在不受控制的(左)以及研究人员的方法控制它(右)时,模拟爆发。 (礼貌:Laura Natali)

通过表明应该对这种疾病进行测试,可以帮助阻止未来的大流行。这就是意大利哥德堡,瑞典和CNR-IPCF大学的物理学家的发现,其神经网络衍生的方法被证明比含有模拟爆发的标准接触追踪策略更有效。虽然该模型尚未在现实​​世界的条件下进行测试,但领导作者 Laura Natali. 说它在疫情的早期阶段特别有用,当测试稀缺时,令人难以置信的是,关于如何蔓延的新疾病。

在他们的学习中,娜塔利和同事通过将100 000人的人口分成三组:那些易受疾病的人,那些当前感染的人(i)以及已康复(r)的人。在模拟期间,这些个体随机地在320×320格的细胞的子区域周围移动。在每一步中,受感染者的某个半径内的个体具有概率 β 变得感染,并且其后的概率γ回收并变得免疫。

捕获无症状疾病载体的影响 - Covid-19大流行的主要特征 - 研究人员将每个模拟个体分配温度。受感染的个体的温度平均高于健康个体的温度。然而,“健康”和“受感染的”温度分布大幅重叠,使得不可能通过单独的温度确定个体的状态。这意味着需要测试来确定受感染的人。该模型假设这些测试是准确的,但没有广泛可用,使得可以在每一步进行测试的个体数量(以及,如果感染,孤立) t 总是比总人口低得多。

不同的策略,不同的结果

使用此模型,研究人员探讨了四种可能的场景。首先,这种疾病通过人口取消选中,没有遏制措施。在 t= 150,几乎所有在这种情况下的个人都被感染了。

在第二个方案中,研究人员将其对具有最多与先前测试过的其他人的人(定义为在同一单元格)的个人的测试能力有限,使用温度数据破坏任何关系。从时间 t= 20向前,根据这种战略测试积极的所有个人“冻结”,不允许与其他人互动。这种情况是基于标准接触跟踪方法,并且它在感染率中产生了更低的峰。但仍未被淘汰:在 t= 150,大约20%的人口仍被感染,因此能够将其传递给剩余的易感个体。

第三种情况模仿了许多国家采用的严格锁定,以打击SARS-COV-2冠状病毒的扩散,这导致Covid-19。从 t = 20,“锁定”情景中的所有个人都被冻结到位。这种剧烈的作用 - 一旦分离整个人口 - 保持感染率非常低,完全消除了这种疾病 t= 120。然而,研究人员指出,在实践中,这种综合检疫将是“不现实”。

输入机器

在最终情景中,纳塔利和同事探讨了是否有可能消除疾病,同时仅隔离一部分人口。为此,他们使用神经网络来选择要测试的个人。 “一般来说,神经网络接收一些输入,详细阐述它们通过一系列隐藏的人工神经元层,并返回输出”,“他们解释。 “在我们的情况下,输入包括给定个人的联系方式 n 在过去的10个时间步骤。“

基于个体的各个距离内已知的传染性人数 n,之间的实际接触数 n 和这些已知的传染性人员,和 n触点总数,神经网络输出值 p:个人的概率 n 被感染了。如果 P = 0,它们被认为是健康的。如果P. >0.995,它们立即被隔离。 0.5和0.995之间的值意味着它们优先考虑进行测试,从显示最高温度的个体开始,直到所有可用的测试都耗尽。

为了提高网络预测的准确性,研究人员使用来自的数据“培训”它 t= 20,测试开始时。由于这种培训,网络的预测功率随着时间的推移而改善,结果引人注目:感染率达到5.1%的人口,此后迅速降至零,即使没有超过25%的人口被隔离。 “我们表明,可以使用相对简单和有限的信息来使谁对测试最有利的预测,”纳塔利说。 “这允许更好地利用可用的测试资源。”

高度适应性

研究人员注意到,他们的网络对疾病或潜在的先生(易感染,恢复的)模型没有假设。这是,它们声称意味着它应该自动调整其预测,以更复杂的动态,例如具有潜伏期的疾病,测试过程的延迟或单个运动的不同模式。

娜塔利和同事表明,当个体能够造成不止一次的疾病时,他们的模型也有效地抑制疫情。 “在临时免疫的情况下,神经网络知情的策略可以防止疾病爆发成为流行的疾病,”他们得出结论。

该研究发表在 机器学习科学& Technology.

版权©2021由IOP Publishing Ltd和个人贡献者