[論文レビュー] A self-supervised neural-analytic method to predict the evolution of COVID-19 in Romania

Stochiţoiu Rd, Marian Petrică+3 more|arXiv (Cornell University)|Jun 23, 2020

COVID-19 epidemiological studies参考文献 15被引用数 5

ひとこと要約

本稿では、ローマニアのCOVID-19の流行推移を正確に予測できるように、1日あたりの死亡者数のみを用いて変更版SEIRモデルのパラメータを推定する自己教師付き深層学習手法を提案する。畳み込みニューラルネットワークと確率的座標降下法を組み合わせることで、グリッドサーチに比べて計算時間を短縮し、予測精度を向上させ、約0.3%の症例死亡率を推定し、3週間先までの死亡者数を正確に予測することができる。

ABSTRACT

Analysing and understanding the transmission and evolution of the COVID-19 pandemic is mandatory to be able to design the best social and medical policies, foresee their outcomes and deal with all the subsequent socio-economic effects. We address this important problem from a computational and machine learning perspective. More specifically, we want to statistically estimate all the relevant parameters for the new coronavirus COVID-19, such as the reproduction number, fatality rate or length of infectiousness period, based on Romanian patients, as well as be able to predict future outcomes. This endeavor is important, since it is well known that these factors vary across the globe, and might be dependent on many causes, including social, medical, age and genetic factors. We use a recently published improved version of SEIR, which is the classic, established model for infectious diseases. We want to infer all the parameters of the model, which govern the evolution of the pandemic in Romania, based on the only reliable, true measurement, which is the number of deaths. Once the model parameters are estimated, we are able to predict all the other relevant measures, such as the number of exposed and infectious people. To this end, we propose a self-supervised approach to train a deep convolutional network to guess the correct set of Modified-SEIR model parameters, given the observed number of daily fatalities. Then, we refine the solution with a stochastic coordinate descent approach. We compare our deep learning optimization scheme with the classic grid search approach and show great improvement in both computational time and prediction accuracy. We find an optimistic result in the case fatality rate for Romania which may be around 0.3% and we also demonstrate that our model is able to correctly predict the number of daily fatalities for up to three weeks in the future.

研究の動機と目的

• ローマニアのCOVID-19パンデミックに特有の、感染再生産数、死亡率、感染期間といった主要な疫学的パラメータを、観察された1日あたりの死亡者数のみを用いて推定すること。
• 従来のグリッドサーチに代わる、変更版SEIRモデルにおけるパラメータ推定のための計算効率の高い代替手法を開発すること。
• ローマニアにおける1日あたりの死亡者数、潜伏者数、感染者数の短期的予測を正確に行えるようにすること。
• ローマニアの国ごとの要因、例えば年齢、遺伝的要因、医療インfraの整備状況を考慮し、現地データにパラメータをキャリブレーションすること。

提案手法

• 自己教師付きの方法で訓練された深層畳み込みニューラルネットワークが、入力として1日あたりの死亡者数の系列から、正しい変更版SEIRモデルのパラメータセットを予測する。
• モデルは、明示的なラベルなしに死亡者数のパターンを妥当なパラメータセットにマッピングするように事前学習されたネットワークで初期化される。
• 確率的座標降下法が、ニューラルネットワークの予測を精緻化し、精度と収束速度を向上させる。
• 本手法は、計算効率および予測性能の両面で、古典的なグリッドサーチと比較して優れている。
• 変更版SEIRモデルを用いて感染症の進行をシミュレートし、パラメータは死亡者データのみから同定される。
• 最終的なモデルは、3週間先までの1日あたりの死亡者数、感染者数、潜伏者数の予測を出力する。

実験結果

リサーチクエスチョン

• RQ1 自己教師付き深層学習モデルは、ローマニアの1日あたりの死亡者数のみを用いて、変更版SEIRモデルのパラメータを正確に推定できるか？
• RQ2 提案手法の深層学習アプローチは、従来のグリッドサーチと比較して、計算速度および予測精度の面でどのように異なるか？
• RQ3 モデルのパラメータ推定に基づき、ローマニアの推定症例死亡率はどの程度か？
• RQ4 モデルは3週間先までの1日あたりの死亡者数を信頼性高く予測できるか？
• RQ5 モデルは、感染者数や潜伏者数といった他の疫学的指標の予測にも一般化できる程度の汎用性を有するか？

主な発見

• 本モデルは、ローマニアにおける1日あたりの死亡者数を、3週間先まで高い精度で予測するのに成功した。
• ローマニアの推定症例死亡率は約0.3%であり、他の国と比較して比較的楽観的な予後を示している。
• 自己教師付き深層学習アプローチにより、標準的なグリッドサーチ手法と比較して、計算時間の大幅な短縮が達成された。
• 確率的座標降下法の統合により、モデルのパラメータ推定の精度と収束速度が向上した。
• 死亡者データのみを用いても、潜伏者数や感染者数といった二次的疫学的指標の信頼性ある推定が可能となった。
• 古典的なグリッドサーチ最適化手法と比較して、本手法は速度および精度の両面で優れた性能を示した。