[論文レビュー] Digital twins based on bidirectional LSTM and GAN for modelling the COVID-19 pandemic

César Quilodrán-Casas, Vinicius Santos Silva+4 more|arXiv (Cornell University)|Feb 3, 2021

COVID-19 epidemiological studies被引用数 5

ひとこと要約

本稿では、データ補正付き双方向LSTMと予測型GANに基づく2つのデジタルツインフレームワークを提案し、COVID-19の空間拡張型SEIRSモデルの予測を高速化・精度向上させることを目的としている。予測型GANは、感受性人口の予測においてデータ補正付きBDLSTMを上回り、生成対抗ネットワークが計算コストを低減しつつ、正確で高速でデータに依存しない疫学的モデリングの可能性を示している。

ABSTRACT

The outbreak of the coronavirus disease 2019 (COVID-19) has now spread throughout the globe infecting over 150 million people and causing the death of over 3.2 million people. Thus, there is an urgent need to study the dynamics of epidemiological models to gain a better understanding of how such diseases spread. While epidemiological models can be computationally expensive, recent advances in machine learning techniques have given rise to neural networks with the ability to learn and predict complex dynamics at reduced computational costs. Here we introduce two digital twins of a SEIRS model applied to an idealised town. The SEIRS model has been modified to take account of spatial variation and, where possible, the model parameters are based on official virus spreading data from the UK. We compare predictions from a data-corrected Bidirectional Long Short-Term Memory network and a predictive Generative Adversarial Network. The predictions given by these two frameworks are accurate when compared to the original SEIRS model data. Additionally, these frameworks are data-agnostic and could be applied to towns, idealised or real, in the UK or in other countries. Also, more compartments could be included in the SEIRS model, in order to study more realistic epidemiological behaviour.

研究の動機と目的

• 疫学的モデルの高速で正確かつデータに依存しないデジタルツインの代理モデルを開発し、計算コストを低減すること。
• 空間的・時間的ダイナミクスを有する大規模SEIRSモデルの高い計算負荷に対処すること。
• データ補正付きBDLSTMと予測型GANの両者が感染拡大予測において果たす性能を比較すること。
• 深層学習を用いた非侵襲的低次元モデル（NIROM）がウイルスモデリングに適用可能かどうかを検討すること。
• パンデミック対応における制御策のインタラクティブな探索とリアルタイムのデータ統合を可能とすること。

提案手法

• 4つの状態と2つの人口グループを有する修正SEIRSモデルに、有限要素法を用いて空間的変動を組み込む。
• モデルスナップショットの次元削減に、主成分分析（PCA）を用いた適切な直交分解（POD）を適用する。
• 低次元係数上で学習を行うデータ補正付き双方向LSTM（BDLSTM）を構築し、精度向上のための最良線形不偏推定量（BLUE）に基づく補正を適用する。
• 予測型生成対抗ネットワーク（GAN）を、真の値が各ステップで必要とされない状態で、時間的ダイナミクスを学習し、ランダムノイズから現実的な将来の状態を生成するように訓練する。
• 両モデルとも、高精度SEIRSモデルのスナップショットを学習データとして用い、予測精度を真値と照合して評価する。
• フレームワークはデータに依存せず、英国や他の国における実際の町または理想化された町へ最小限の再設定で適用可能である。

実験結果

リサーチクエスチョン

• RQ1 データ補正付き双方向LSTMは、計算コストを低減しつつ、空間拡張型SEIRSモデルの時間的変化を効果的に予測できるか？
• RQ2 感受性人口や感染者人口といった主要な疫学的状態の予測において、予測型GANはデータ補正付きBDLSTMに比べてどのように性能を発揮するか？
• RQ3 非侵襲的低次元モデル（NIROM）は、高精度SEIRSシミュレーションの正確さを著しく計算時間を短縮しながらも保持できるか？
• RQ4 生成対抗ネットワークは、反復最適化を必要とせず、疫学的モデリングにおいて信頼性があり現実的な時系列予測を効果的に生成できるか？
• RQ5 時系列モデリング（BDLSTMによる）と生成モデリング（GANによる）を組み合わせることで、将来のパンデミック予測にどのような相乗効果が得られるか？

主な発見

• 予測型GANは感受性人口の予測においてデータ補正付きBDLSTMを上回り、生成された軌道の一般化能力と現実性が優れていることを示している。
• データ補正付きBDLSTMは、BLUEに基づく補正を組み込むことで、標準的なBDLSTMよりも精度が向上しており、ハイブリッドなデータ同化技術の価値を示している。
• 両方のデジタルツインフレームワークは、元のSEIRSモデルと比較して正確な予測を生成しており、高速な代替モデルとしての有効性が検証された。
• フレームワークはデータに依存せず、英国や他の国における実際の町または理想化された町へ最小限の再設定で適用可能である。
• モデルの複雑さが高くなるほど、高速化の潜在能力が向上するため、高解像度または多状態SEIRSモデルへの応用においてより大きな利点を示す。
• 本研究は、ウイルスモデリングに低次元化技術を応用した初の試みであり、効率的なパンデミックシミュレーションと予測のための新たな道筋を開いた。