[論文レビュー] DeepGLEAM: A hybrid mechanistic and deep learning model for COVID-19 forecasting

Dongxia Wu, Liyao Gao+5 more|arXiv (Cornell University)|Feb 12, 2021

Machine Learning in Healthcare参考文献 42被引用数 19

ひとこと要約

DeepGLEAM は、拡散畳み込み再帰ニューラルネットワーク（DCRNN）を用いた深層学習補正モジュールを統合したハイブリッドモデルであり、機械的Gleam疫病シミュレータを強化することで、短期的なCOVID-19死亡率予測を著しく改善している。このモデルは、単独のGleam、深層学習モデル、および自己回帰ベクトルモデルを上回り、点予測と不確実性の定量化の両面で優れた性能を示しており、SG-MCMCがRMSEおよびMAEの観点で最も優れた総合的性能を発揮するとともに、信頼性の高い信頼区間を提供している。

ABSTRACT

We introduce DeepGLEAM, a hybrid model for COVID-19 forecasting. DeepGLEAM combines a mechanistic stochastic simulation model GLEAM with deep learning. It uses deep learning to learn the correction terms from GLEAM, which leads to improved performance. We further integrate various uncertainty quantification methods to generate confidence intervals. We demonstrate DeepGLEAM on real-world COVID-19 mortality forecasting tasks.

研究の動機と目的

• 純粋にデータ駆動の深層学習モデルが示す解釈不能さと物理的整合性の欠如といった、疫病予測における限界を是正すること。
• Gleamのような機械的モデルのバイアスを、観測された疫学的監視データから深層学習を用いて補正項を学習することで是正すること。
• ハイブリッドモデリングを用いて、州および国レベルにおけるCOVID-19死亡率の短期予測精度を向上させること。
• 複数の不確実性定量化手法を統合し、公衆衛生意思決定に役立つ信頼性のある予測区間を生成すること。
• 機械的モデルと深層学習を統合することで、単独のアプローチよりも優れた性能が得られることを実証すること。

提案手法

• モデルは、3,200のサブポピュレーションにわたる空間的に分解能の高い疫病ダイナミクスをシミュレートする機械的ベースラインとして、グローバルエピデミックアンドモビリティモデル（GLEAM）を用いる。
• 拡散畳み込み再帰ニューラルネットワーク（DCRNN）を訓練し、GLEAMの予測値を実世界の死亡率観測データに一致させる補正項を学習する。
• DCRNNは、人的移動データから導出されたグラフベースの隣接行列を用いて、地域間の不規則な空間的相関を捉える、時空間的依存性をモデル化する。
• このハイブリッドモデル、すなわちDeepGLEAMは、GLEAMのシミュレーション出力と深層学習補正を組み合わせることで予測を生成し、予測精度を向上させる。
• 信頼区間の生成を目的として、ブートストラップ、分位点回帰、MIS回帰、MCドロップアウト、SG-MCMCの複数の不確実性定量化手法を評価する。
• SG-MCMCは、予測期間が異なる場合にわたりRMSE、MAE、カバレッジの信頼性において優れた性能を発揮したため、最適な手法として選定された。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、Gleamのような機械的疫病シミュレータにおける系統的バイアスを、予測精度の向上に向け効果的に是正できるか？
• RQ2 ハイブリッドな深層学習と機械的モデルに適用された際、異なる不確実性定量化手法は、信頼性とカバレッジの観点でどのように比較できるか？
• RQ3 深層学習と機械的モデルを統合することで、単独の深層学習または機械的モデルよりも優れた短期死亡率予測が得られるか？
• RQ4 どの不確実性定量化手法が、予測期間が異なる状況において、最も頑健かつ適切にキャリブレーションされた予測区間を提供するか？
• RQ5 このハイブリッドモデルであるDeepGLEAMは、異なる疫病推移を示す米国の州に広く一般化して効果的に機能するか？

主な発見

• DeepGLEAMは、1〜3週先の予測において、単独のGleamモデルを著しく上回り、全予測期間でRMSEおよびMAEが低く抑えられている。
• SG-MCMCを用いた不確実性定量化により、1週間予測でRMSE（58.30）とMAE（29.72）が最小値を記録した。
• SG-MCMCは、平均予測の正確性が最も高く、95％予測区間のカバレッジも最良であり、MISが563.77と、ブートストラップやMCドロップアウトを上回った。
• 一部の州レベル（テキサス州やジョージア州）では、分位点回帰がSG-MCMCよりも信頼性の高い信頼区間を提供しており、わずかに高い誤差であるものの、カバレッジが優れていた。
• 国レベルでは、SG-MCMCが平均予測精度と区間信頼性の両面で分位点回帰を上回り、全体として優れた性能を示した。
• 41州にわたる米国における予測において、トレーニング期間終了後も一貫した精度向上が確認され、週32以降の予測で顕著な改善が見られた。