[論文レビュー] An Investigation of COVID-19 Spreading Factors with Explainable AI Techniques

Xiuyi Fan, Siyuan Liu+2 more|arXiv (Cornell University)|May 5, 2020

COVID-19 diagnosis using AI参考文献 13被引用数 5

ひとこと要約

本研究では、2020年1月から4月にかけて18か国における公衆衛生対策を分析するために解釈可能なAI（SHAPおよびECPI）を用い、瞬間的な基本再生産数 $R_t$ を低減させるために最も効果的な介入として都市封鎖と接触追跡を特定した。結果は、マスク着用と温暖な気温も感染拡大の制御に顕著に寄与することを示しており、他の対策を伴わない大規模な検査はそれほど効果的でないことを示している。

ABSTRACT

Since COVID-19 was first identified in December 2019, various public health interventions have been implemented across the world. As different measures are implemented at different countries at different times, we conduct an assessment of the relative effectiveness of the measures implemented in 18 countries and regions using data from 22/01/2020 to 02/04/2020. We compute the top one and two measures that are most effective for the countries and regions studied during the period. Two Explainable AI techniques, SHAP and ECPI, are used in our study; such that we construct (machine learning) models for predicting the instantaneous reproduction number ($R_t$) and use the models as surrogates to the real world and inputs that the greatest influence to our models are seen as measures that are most effective. Across-the-board, city lockdown and contact tracing are the two most effective measures. For ensuring $R_t<1$, public wearing face masks is also important. Mass testing alone is not the most effective measure although when paired with other measures, it can be effective. Warm temperature helps for reducing the transmission.

研究の動機と目的

• 初期のCOVID-19拡大期における公衆衛生介入の相対的効果が、瞬間的な基本再生産数 $R_t$ を低減する上でどの程度であったかを評価すること。
• 都市封鎖やマスク着用、検査など、どのような措置が $R_t$ 減少に最も顕著に寄与したかを特定すること。
• 解釈可能なAI（XAI）技術を用いてモデル予測の解釈を行い、感染拡大制御における最も影響力のある要因を明らかにすること。
• 再発生を防ぐために制限を解除するにあたり、政策立案者に根拠に基づいた戦略を提供すること。

提案手法

• 18か国の確定症例の時系列データを用いて、瞬間的な基本再生産数 $R_t$ を予測するための機械学習モデルを構築した。
• 都市封鎖、学校閉鎖、渡航制限などの公衆衛生介入のタイムラインを、モデルの入力特徴として統合した。
• モデル予測の解釈および最も影響力のある要因の同定のために、SHAP（Shapley Additive Explanations）とECPI（Explainable Classification with Probabilistic Inferences）を適用した。
• rp5.ru から得た気象データ（気温と湿度）を用いて、環境的要因が感染拡大に与える影響を評価した。
• モデル予測を現実の動的挙動の代理として扱い、特徴量の重要度が介入の有効性を示すものとした。
• Kaggle、Wikipedia、政府資料からのデータを統合し、介入の日付と感染トレンドの一致を図った。

実験結果

リサーチクエスチョン

• RQ1 パンデミック初期段階（2020年1月～4月）において、どの公衆衛生介入が $R_t$ 減少に最も効果的であったか？
• RQ2 都市封鎖や接触追跡は、大規模な検査やマスク着用義務化といった他の措置と比べて、どの程度効果的であったか？
• RQ3 周囲の気温がSARS-CoV-2の感染率にどの程度影響を及ぼすか？
• RQ4 SHAP や ECPI といった解釈可能なAI技術は、複雑な現実世界のデータから最も影響力のある介入を信頼性を持って同定できるか？
• RQ5 マスク着用と検査が単独で実施された場合と、組み合わせて実施された場合の相対的寄与度はどのようになるか？

主な発見

• 都市封鎖と接触追跡は、$R_t$ を1未満に低下させるために、SHAPおよびECPIによるモデル解釈性の支援を受けて、最も効果的な2つの措置であると特定された。
• 公的マスク着用は、継続的に行われた場合に感染拡大を顕著に低減させる有効な措置であり、$R_t < 1$ を維持する上で不可欠であることが判明した。
• 大規模な検査は単独で実施された場合、最も効果的な単一措置ではなかったが、接触追跡などの他の介入と組み合わせることで効果が向上した。
• より温暖な周囲の気温は、感染率の低下と関連しており、$R_t$ に環境的要因が緩和効果を及ぼす可能性を示唆している。
• 特にテクノロジー（例：モバイル追跡）を支援とする接触追跡は、都市封鎖と組み合わせられ、強いプライバシー保護が伴う場合に最も効果的であった。
• 政府の啓発活動と学校閉鎖は中程度の影響を示したが、その影響は一貫性に欠け、都市封鎖や接触追跡に比べてしばしば二次的であった。