[論文レビュー] Neural networks for dengue forecasting: a systematic review

Lober, Luiza, Francisco A. Rodrigues+1 more|arXiv (Cornell University)|Jun 22, 2021

Mosquito-borne diseases and control被引用数 6

ひとこと要約

本系統的レビューでは、62件の研究を対象に、デングア熱予測におけるニューラルネットワークの使用を評価し、特に歴史的発生数と気象データを用いた浅いフィードフォワードネットワークが優れた性能を示すことが判明した。一方で、深層ネットワーク、トランスファーラーニング、気候変動下での予測といった分野はまだ十分に掘り下げられていない。本レビューでは、公衆衛生意思決定を支援するため、モデルの透明性とベンチマーク手法の向上を提言している。

ABSTRACT

Background: Early forecasts of dengue are an important tool for disease mitigation. Neural networks are powerful predictive models that have made contributions to many areas of public health. In this study, we reviewed the application of neural networks in the dengue forecasting literature, with the objective of informing model design for future work. Methods: Following PRISMA guidelines, we conducted a systematic search of studies that use neural networks to forecast dengue in human populations. We summarized the relative performance of neural networks and comparator models, architectures and hyper-parameters, choices of input features, geographic spread, and model transparency. Results: Sixty two papers were included. Most studies implemented shallow feed-forward neural networks, using historical dengue incidence and climate variables. Prediction horizons varied greatly, as did the model selection and evaluation approach. Building on the strengths of neural networks, most studies used granular observations at the city level, or on its subdivisions, while also commonly employing weekly data. Performance of neural networks relative to comparators, such as tree-based supervised models, varied across study contexts, and we found that 63% of all studies do include at least one such model as a baseline, and in those cases about half of the studies report neural networks as the best performing model. Conclusions: The studies suggest that neural networks can provide competitive forecasts for dengue, and can reliably be included in the set of candidate models for future dengue prediction efforts. The use of deep networks is relatively unexplored but offers promising avenues for further research, as does the use of a broader set of input features and prediction in light of structural changes in the data generation mechanism.

研究の動機と目的

• 多様な地理的・時間的文脈におけるデングア熱予測へのニューラルネットワーク応用の現状を評価すること。
• デングア熱予測において、他の機械学習モデルと比較したニューラルネットワークの相対的パフォーマンスを評価すること。
• 既存の研究で一般的に用いられているモデルアーキテクチャ、入力特徴量、データの粒度を同定すること。
• モデルの透明性、データ制限、およびデングア熱予測における今後の研究の機会を検討すること。
• トランスファーラーニングや解釈可能性手法といった未活用の技術が、デングア熱予測の文脈でどのように活用できるかを強調すること。

提案手法

• PRISMA指針に従い、Web of Science、Scopus、PubMed、ScienceDirectで系統的文献検索を実施。検索キーワード：(deep learning OR neural network) AND dengue。
• 厳密な含む基準に基づき、3段階のスクリーニング（タイトル、要旨、全文）を実施。
• 人間集団におけるデングア熱発生数またはリスクの予測にニューラルネットワークまたはディープラーニングを用いた研究を含めた。
• 診断に特化した研究、発生数との関連がない病巣モデルや、予測を目的としない研究は除外した。
• モデルアーキテクチャ、ハイパーパrameter、入力特徴量（例：気象、人口統計、衛星データ）、予測期間、評価手法に関するデータを統合した。
• モデルの透明性、データ不足の課題、およびSHAPを用いた解釈可能性やトランスファーラーニングといった新たな手法動向を評価した。

実験結果

リサーチクエスチョン

• RQ1 デングア熱予測に最も多く用いられているニューラルネットワークアーキテクチャは何か？また、従来の機械学習モデルと比較してどのように異なるか？
• RQ2 ニューラルネットワークを用いたデングア熱予測モデルで最も頻繁に使用されている入力特徴量（例：気象、人口統計、デジタルデータ）は何か？
• RQ3 特にエンドミック地域と流行地域を比較した場合、モデルのパフォーマンスは地理的地域によってどのように変動するか？
• RQ4 現在のデングア熱予測研究において、モデルの透明性、解釈可能性、オープンソースコードの実践はどの程度採用されているか？
• RQ5 気候変動とデータ不足を踏まえた場合、ニューラルネットワークを用いたデングア熱予測における主な研究上の空白は何か？

主な発見

• 62件の研究が含まれており、その多くが浅いフィードフォワードニューラルネットワークを用い、歴史的デングア熱発生数と気象変数を組み合わせていた。
• ベースライン比較を含む研究の約半数でニューラルネットワークが比較モデルを上回った。63％の研究が少なくとも1つのベースラインを用いていた。
• 大多数の研究が都市または準都市レベルの週次データを用いており、高分解能な時空間予測への傾向が顕著である。
• 本レビュー内でトランスファーラーニングが適用された研究は、事前学習済みCNNを除いて1件のみであり、低データ環境における大きな研究機会が示唆された。
• 症例数のスパarsityとゼロインフレーションがモデルの精度に悪影響を及えることが示され、より良いデータ前処理の必要性が強調された。
• 急速な関心の高まりにもかかわらず、モデルの透明性は依然として限定的であり、多くの研究でコードや手法へのアクセスが制限されており、再現性と政策適用の阻害要因となっている。