[論文レビュー] SIRNet: Understanding Social Distancing Measures with Hybrid Neural Network Model for COVID-19 Infectious Spread

Nicholas Soures, David R. Chambers+6 more|arXiv (Cornell University)|Apr 22, 2020

COVID-19 epidemiological studies参考文献 32被引用数 33

ひとこと要約

SIRNet は SEIR 疫学モデルと LSTM ベースの予測ネットワークを結合したハイブリッドニューラルネットワークで、移動と地域人口データを用いて COVID-19 の拡大を予測し、社会的距離対策のシナリオ分析を可能にします。

ABSTRACT

The SARS-CoV-2 infectious outbreak has rapidly spread across the globe and precipitated varying policies to effectuate physical distancing to ameliorate its impact. In this study, we propose a new hybrid machine learning model, SIRNet, for forecasting the spread of the COVID-19 pandemic that couples with the epidemiological models. We use categorized spatiotemporally explicit cellphone mobility data as surrogate markers for physical distancing, along with population weighted density and other local data points. We demonstrate at varying geographical granularity that the spectrum of physical distancing options currently being discussed among policy leaders have epidemiologically significant differences in consequences, ranging from viral extinction to near complete population prevalence. The current mobility inflection points vary across geographical regions. Experimental results from SIRNet establish preliminary bounds on such localized mobility that asymptotically induce containment. The model can support in studying non-pharmacological interventions and approaches that minimize societal collateral damage and control mechanisms for an extended period of time.

研究の動機と目的

• 限られた検査・報告下での COVID-19 予測をデータ駆動学習と疫学ダイナミクスを統合して正確に動機づける。
• 移動性と人口特徴を SEIR パラメータへマッピングするハイブリッドモデルを開発し、地域特異的な予測を可能にする。
• 移動性/ distancing ポリシーのシナリオ分析を可能にして、潜在的な outbreak containment あるいは再発生を理解する。
• 地理的粒度やデータソースの異なる適用に対応できるエンドツーエンドのフレームワークを提供する。

提案手法

• Hybrid forecasting network (SIRNet) を構築し、リカレントニューラルネットワークと SEIR セルを組み合わせる。
• SEIR ダイナミクスを beta (接触率) と gamma (回復) の学習可能パラメータで表現し、移動性と人口データから学習する。
• beta(t) を mobility features の非線形関数としてモデル: beta(t) = ReLU(W · x)^p、移動性の影響の柔軟なスケーリングを可能にする。
• 国レベル、州レベル、郡レベルの mobility データを取り入れて地域特異的な接触率を推進する。
• エンドツーエンドでモデルを訓練し、 mobility 入力を区画ダイナミクスと結果のケース数へマッピングする。
• 現実味と解釈性のためにデータ駆動パラメータ学習を用いて古典的な SEIR 方程式に基づくアプローチを地に落とす。

実験結果

リサーチクエスチョン

• RQ1 移動データを用いて時変接触率 beta を正確に学習し COVID-19 のケース軌跡を予測できるか？
• RQ2 異なる移動/距離ポリシーは、地域間の有効繁殖数とピークケース数にどう影響するか？
• RQ3 SIRNet フレームワークは地域データに適合し、政策計画のための有用なシナリオ予測を提供するか？

主な発見

• SIRNet は移動情報を用いて SEIR の接触率を決定し地域のケース数を適合させることができる。
• 継続的な quarantine レベルの mobility は低いケース数を予測し、より高い mobility は地域次第で潜在的ピークに繋がる。
• Mobility が名目レベルの約0.7 であるとき未 containment のアウトブレイクを誘発する可能性があり、 mobility が 0.5 未満だと tested シナリオで地域的撲滅へ向かう。
• モデルは国と郡を跨ぐ active および total ケースに影響を与える制限緩和のシナリオ予測を提供する。
• SIRNet は予測された active ケースに対して地域の年齢構成と入院率を考慮して、年齢層別の入院率を推定できる。