[論文レビュー] Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread

Alessandro Paticchio, Tommaso Scarlatti+3 more|arXiv (Cornell University)|Oct 10, 2020

COVID-19 epidemiological studies参考文献 16被引用数 6

ひとこと要約

本論文は、COVID-19の感染拡大をモデル化するため、微分方程式の逆問題を解く半教師付きニューラルネットワークフレームワークを提案する。実世界のデータと、非感染者の隔離状態を表す「受動的状態（Passive）」のコンパートメントを含む新規のSIRPモデルを統合する。スイス、スペイン、イタリアにおける感染および回復のダイナミクスに高い精度で適合し、それぞれ基本再生産数（R₀）を2.7、3.3、4.7と推定し、封鎖後においても高い予測精度を示した。

ABSTRACT

Studying the dynamics of COVID-19 is of paramount importance to understanding the efficiency of restrictive measures and develop strategies to defend against upcoming contagion waves. In this work, we study the spread of COVID-19 using a semi-supervised neural network and assuming a passive part of the population remains isolated from the virus dynamics. We start with an unsupervised neural network that learns solutions of differential equations for different modeling parameters and initial conditions. A supervised method then solves the inverse problem by estimating the optimal conditions that generate functions to fit the data for those infected by, recovered from, and deceased due to COVID-19. This semi-supervised approach incorporates real data to determine the evolution of the spread, the passive population, and the basic reproduction number for different countries.

研究の動機と目的

• 限られたまたはノイズの多い実世界データからの疫学的モデルにおける未知のパラメータおよび初期条件の推定という課題に対処すること。
• 感染伝播ダイナミクスから隔離された個体を表す「受動的コンパートメント（P）」をSIRフレームワークに導入することで、疾病モデルの精度を向上させること。
• 微分方程式の解の教師なし学習と、実データを用いた教師ありパラメータ推定を統合した半教師付きディープラーニング手法を開発すること。
• 封鎖後における予測性能を、スイス、スペイン、イタリアの実データを用いて評価すること。
• 微分方程式で記述される動的システムにおける逆問題を解く一般化可能なフレームワークを提供すること。

提案手法

• 教師なしの順方向全結合ニューラルネットワークが、初期条件およびモデルパラメータの高次元空間における常微分方程式（ODE）のパラメトリック解を学習する。
• ネットワークは、ODEシステムの残差最小化に基づく損失関数を用い、予測された解が微分方程式および初期条件を、f(t) = 1 - e^(-t)を含むパラメトリック形式によって正確に満たすように制約する。
• 解はŝ = z₀ + f(t)(z_NN - z₀)として表現され、初期条件の正確な満たしを保証する。
• 教師ありのファインチューニング段階では、自動微分を用いた勾配降下法が用いられ、データ誤差損失L_inv = ⟨(ẑ - z̃)²⟩_tを最小化することで、初期条件およびモデルパラメータを観測データに適合させる。
• SIRPモデルは、dP/dt = 0を満たす受動的コンパートメントPの追加によってSIRシステムを拡張し、ネットワークはP₀を入力に含めるように変更され、対応する損失項(dP̂/dt)²が追加される。
• 本手法は合成SIRデータを用いて検証され、実データ（スイス、スペイン、イタリア）に適用された。データは全人口を基準に正規化され、不顕在化の影響を補正するため10倍のスケーリングが施された。

実験結果

リサーチクエスチョン

• RQ1 半教師付きニューラルネットワークは、微分方程式に基づく疾病モデルにおける初期条件および感染伝播パラメータの推定という逆問題を効果的に解けるか？
• RQ2 受動的コンパートメント（P）の導入により、標準的なSIRモデルと比較して、実世界のCOVID-19データへの適合性はどの程度向上するか？
• RQ3 本手法は、封鎖後のデータにさらなるトレーニングを施さずに、どの程度の精度で封鎖後のダイナミクスを予測できるか？
• RQ4 本手法を用いたデータ駆動型逆問題モデリングにより、スイス、スペイン、イタリアの基本再生産数（R₀）はそれぞれどの程度推定されるか？
• RQ5 初期パンデミック段階におけるデータ制限および不顕在化の影響に対して、本手法はどの程度の頑健性を示すか？

主な発見

• 半教師付きニューラルネットワークは、スイス、スペイン、イタリアにおける感染者および回復者人口の実世界データを高い精度で適合させ、予測値が観測データ点とよく一致した。
• モデルは、スイスでは基本再生産数R₀を2.7、スペインでは3.3、イタリアでは4.7と推定し、イタリアの感染伝播能がより高いことを示した。
• スイスおよびイタリアでは96%、スペインでは95%の人口が受動的コンパートメント（P）に推定されたことから、広範な隔離または接触減少が見られたと示唆された。
• 封鎖後においても、封鎖後データにさらなる最適化を施さずに、強力な予測性能を維持した。これは、一般化性能の優れたことを示している。
• 観測データに10倍のスケーリングを施すことで、不顕在化の影響を適切に補正し、推定された真の感染および回復曲線との整合性が向上した。
• 受動的コンパートメントを含むSIRPモデルは、封鎖や隔離措置の影響を捉える上で、標準的なSIRモデルと比較して著しくモデル適合性が向上した。