[論文レビュー] Deep Landscape Features for Improving Vector-borne Disease Prediction

Nabeel Abdur Rehman, Umar Saif+1 more|arXiv (Cornell University)|Apr 3, 2019

Mosquito-borne diseases and control被引用数 7

ひとこと要約

本研究では、パキスタンにおけるデングア熱の流行予測を向上させるために、高分解能衛星画像から抽出した深層ランドスケープ特徴を、感受性・感染性・回復性（SIR）モデルに統合することを提案する。ロンドンのランドスケープデータで事前学習された畳み込みニューラルネットワーク（CNN）を活用して意味のある画像特徴を抽出し、それらをパキスタンの現地のデングア熱症例データ（2012–2016年）と組み合わせることで、転移学習の有効性と実用性が示された。

ABSTRACT

The global population at risk of mosquito-borne diseases such as dengue, yellow fever, chikungunya and Zika is expanding. Infectious disease models commonly incorporate environmental measures like temperature and precipitation. Given increasing availability of high-resolution satellite imagery, here we consider including landscape features from satellite imagery into infectious disease prediction models. To do so, we implement a Convolutional Neural Network (CNN) model trained on Imagenet data and labelled landscape features in satellite data from London. We then incorporate landscape features from satellite image data from Pakistan, labelled using the CNN, in a well-known Susceptible-Infectious-Recovered epidemic model, alongside dengue case data from 2012-2016 in Pakistan. We study improvement of the prediction model for each of the individual landscape features, and assess the feasibility of using image labels from a different place. We find that incorporating satellite-derived landscape features can improve prediction of outbreaks, which is important for proactive and strategic surveillance and control programmes.

研究の動機と目的

• 高分解能衛星画像から抽出したランドスケープ特徴を統合することで、デングア熱の流行予測モデルの予測精度を向上させること。
• 英国（ロンドン）の地理的領域で学習された特徴抽出手法を、別地域（パキスタン）に適用する際の、ランドスケープ特徴抽出の可能性を評価すること。
• 疫病モデルに個々のランドスケープ特徴を段階的に追加した際の、予測性能の段階的向上を評価すること。
• データ駆動型で衛星ベースの特徴を用いて、モスキート媒介疾患の予防的監視と対策戦略を支援すること。

提案手法

• ImageNetで事前学習された畳み込みニューラルネットワーク（CNN）モデルを、ロンドンの衛星画像のランドスケープ特徴をラベル付けるために微調整し、適用する。
• 同じ事前学習済みCNNを用いて、パキスタンの衛星画像からランドスケープ特徴を抽出し、地理を越えた転移学習を実現する。
• 抽出されたランドスケープ特徴を、2012年から2016年までのパキスタンにおける報告済みデングア熱症例データとともに、標準的な感受性・感染性・回復性（SIR）疫病モデルに統合する。
• 個々のランドスケープ特徴をSIRモデルに段階的に追加した際の予測精度の向上を測定することで、モデルの性能を評価する。
• ランドスケープ特徴の有無に応じた予測精度の比較を通じて、特徴の影響を定量化する。

実験結果

リサーチクエスチョン

• RQ1 衛星画像から抽出した深層ランドスケープ特徴は、現実の疫病モデルにおけるデングア熱の流行予測精度を向上させることができるか？
• RQ2 ロンドンのランドスケープデータで学習されたCNNモデルが、異なる地域（パキスタン）の特徴抽出にどの程度効果的に転送可能か？
• RQ3 どの個々のランドスケープ特徴がSIRモデルの予測性能向上に最も寄与しているか？
• RQ4 衛星から得られる環境的特徴の統合により、モデルのデングア熱の流行予測能力が向上するか？

主な発見

• SIRモデルに衛星から抽出したランドスケープ特徴を統合することで、パキスタンにおけるデングア熱の流行予測精度が向上した。
• ロンドンからパキスタンへのランドスケープ特徴抽出の転送は実現可能であり、新規の地理的文脈においても事前学習モデルを効果的に活用できることが示された。
• 個々のランドスケープ特徴は、モデルの改善に異なる寄与を示しており、衛星画像内の特定の空間パターンがデングア熱の伝播予測により予測的であることが示された。
• 深層学習に基づくランドスケープ特徴の統合により、モデルの予防的監視および戦略的対策立案の能力が強化された。