[論文レビュー] Explainable AI Framework for COVID-19 Prediction in Different Provinces of India

Mredulraj S. Pandianchery, Gopalakrishnan E. A+3 more|arXiv (Cornell University)|Jan 12, 2022

COVID-19 diagnosis using AI被引用数 7

ひとこと要約

本研究では、マハーラーシュトラ州のCOVID-19感染者数データを用いてトレーニングされたLSTMネットワークを用いた、転移学習に基づく解釈可能なAI（XAI）フレームワークを提案する。このモデルは、インドの他の州における感染者数を予測するもので、優れた一般化性能とロバストネスを示し、2022年1月に始まる第三波の予測を達成した。XAI技術を用いることで、LSTM層の出力の可視化により解釈可能な予測が可能になった。

ABSTRACT

In 2020, covid-19 virus had reached more than 200 countries. Till December 20th 2021, 221 nations in the world had collectively reported 275M confirmed cases of covid-19 & total death toll of 5.37M. Many countries which include United States, India, Brazil, United Kingdom, Russia etc were badly affected by covid-19 pandemic due to the large population. The total confirmed cases reported in this country are 51.7M, 34.7M, 22.2M, 11.3M, 10.2M respectively till December 20, 2021. This pandemic can be controlled with the help of precautionary steps by government & civilians of the country. The early prediction of covid-19 cases helps to track the transmission dynamics & alert the government to take the necessary precautions. Recurrent Deep learning algorithms is a data driven model which plays a key role to capture the patterns present in time series data. In many literatures, the Recurrent Neural Network (RNN) based model are proposed for the efficient prediction of COVID-19 cases for different provinces. The study in the literature doesnt involve the interpretation of the model behavior & robustness. In this study, The LSTM model is proposed for the efficient prediction of active cases in each provinces of India. The active cases dataset for each province in India is taken from John Hopkins publicly available dataset for the duration from 10th June, 2020 to 4th August, 2021. The proposed LSTM model is trained on one state i.e., Maharashtra and tested for rest of the provinces in India. The concept of Explainable AI is involved in this study for the better interpretation & understanding of the model behavior. The proposed model is used to forecast the active cases in India from 16th December, 2021 to 5th March, 2022. It is notated that there will be a emergence of third wave on January, 2022 in India.

研究の動機と目的

• 転移学習を用いて、インドの州間で一般化可能で堅牢な深層学習モデルを構築すること。
• 特にLSTM層の出力の可視化を通じて、解釈可能なAI（XAI）技術を用いてモデルの解釈性を向上させること。
• 今後の感染者数トレンドを予測し、公衆衛生意思決定を支援すること。
• さまざまなハイパーパrameterを用いた、RNNアーキテクチャ（LSTM、GRU、スタックドバージョン）の性能を評価すること。
• マハーラーシュトラ州でトレーニングし、他の州（異なる伝播ダイナミクスを示す）でテストすることで、モデルの一般化能力を評価すること。

提案手法

• マハーラーシュトラ州の日次感染者数データ（2020年6月10日～2021年8月4日）を用いて、単変数LSTMモデルをトレーニングする。
• トレーニング済みモデルを、他の全インドの州の感染者数データに対して微調整し、再トレーニングなしでテストする。
• 2つのアプローチを比較：アプローチ-1（マハーラーシュトラ州からの転移学習）とアプローチ-2（州ごとに再トレーニング）。入力ウィンドウサイズと隠れユニット数のハイパーパrameterチューニングを実施。
• 解釈可能性を高めるために、LSTM層の出力値の最大値と最小値の可視化に解釈可能なAI技術を適用する。
• RMSEとMAEを用いて、インド全州におけるモデル性能を評価。SimpleRNN、GRU、スタックドRNN、スタックドLSTM、スタックドGRUと比較。
• 長期予測（100日間）を実施し、2021年12月16日から2022年3月5日までに今後のトレンドを予測する。

実験結果

リサーチクエスチョン

• RQ1 マハーラーシュトラ州（インドの1州）でトレーニングされたLSTMモデルは、異なる伝播ダイナミクスを示す他の州においても、効果的に一般化可能か？
• RQ2 予測精度とロバストネスの観点から、提案された転移学習アプローチ（アプローチ-1）と州ごとの再トレーニング（アプローチ-2）の性能はどのように比較されるか？
• RQ3 LSTM層出力の可視化を含む解釈可能なAI技術は、公衆衛生関係者による信頼性と解釈可能性をどの程度向上できるか？
• RQ4 予測性能を最適化するための主要なハイパーパrameter（入力ウィンドウサイズ、隠れユニット数）は何か？
• RQ5 時間的トレンドに基づいて、モデルはインドにおける第三波の発生を信頼性を持って予測できるか？

主な発見

• アプローチ-1（転移学習）は、ラクシャドゥイプなど初期感染者数が少ない地域を含め、全州においてアプローチ-2（再トレーニング）を上回る予測精度を示した。
• マハーラーシュトラ州データでトレーニングされたLSTMモデルは、他の州へも効果的に一般化され、多様な伝播ダイナミクスを捉えるロバストネスを示した。
• LSTM層出力の最大値と最小値の可視化結果は、実際の感染者数トレンドと強く一致しており、モデルの解釈可能性と信頼性を裏付けた。
• モデルは2022年1月にかけて感染者数の急増を予測し、インドにおける第三波の発生を示唆した。
• 全州で評価されたアーキテクチャの中で、LSTMモデルが最も低いRMSEとMAEを達成し、SimpleRNN、GRU、スタックドRNN、スタックドLSTM、スタックドGRUをすべて上回った。
• 本研究では、良好な伝播ダイナミクスを示す州（マハーラーシュトラ州）でトレーニングすることで、再トレーニングなしに州間予測が正確に可能になることが確認された。これにより、スケーラビリティと効率性が向上した。