[논문 리뷰] A self-supervised neural-analytic method to predict the evolution of COVID-19 in Romania

Stochiţoiu Rd, Marian Petrică외 3명|arXiv (Cornell University)|2020. 06. 23.

COVID-19 epidemiological studies참고 문헌 15인용 수 5

한 줄 요약

이 논문은 루마니아의 일일 사망자 수만을 사용하여 수정된-SEIR 모델의 매개변수를 추정하기 위한 자기지도 학습 기반 딥러닝 방법을 제안한다. 이는 코로나19 전개를 정확하게 예측할 수 있게 하며, 컨볼루션 신경망과 확률적 좌표 강하를 조합함으로써 계산 시간을 단축하고 격자 탐색 대비 예측 정확도를 향상시킨다. 이 방법은 약 0.3%의 사망률 추정치를 바탕으로 최대 3주 전까지 사망자를 예측하는 데 성공한다.

ABSTRACT

Analysing and understanding the transmission and evolution of the COVID-19 pandemic is mandatory to be able to design the best social and medical policies, foresee their outcomes and deal with all the subsequent socio-economic effects. We address this important problem from a computational and machine learning perspective. More specifically, we want to statistically estimate all the relevant parameters for the new coronavirus COVID-19, such as the reproduction number, fatality rate or length of infectiousness period, based on Romanian patients, as well as be able to predict future outcomes. This endeavor is important, since it is well known that these factors vary across the globe, and might be dependent on many causes, including social, medical, age and genetic factors. We use a recently published improved version of SEIR, which is the classic, established model for infectious diseases. We want to infer all the parameters of the model, which govern the evolution of the pandemic in Romania, based on the only reliable, true measurement, which is the number of deaths. Once the model parameters are estimated, we are able to predict all the other relevant measures, such as the number of exposed and infectious people. To this end, we propose a self-supervised approach to train a deep convolutional network to guess the correct set of Modified-SEIR model parameters, given the observed number of daily fatalities. Then, we refine the solution with a stochastic coordinate descent approach. We compare our deep learning optimization scheme with the classic grid search approach and show great improvement in both computational time and prediction accuracy. We find an optimistic result in the case fatality rate for Romania which may be around 0.3% and we also demonstrate that our model is able to correctly predict the number of daily fatalities for up to three weeks in the future.

연구 동기 및 목표

• 루마니아의 코로나19 팬데믹에 특화된 핵심 역학 매개변수—예를 들어 전파 수치, 사망률, 감염 기간—을 관찰된 일일 사망자 수만을 사용하여 추정하기.
• 기존 격자 탐색에 비해 계산 효율성이 높은 수정된-SEIR 모델의 매개변수 추정을 위한 대안을 개발하기.
• 루마니아의 일일 사망자, 노출자, 감염자 수를 정확하게 단기 예측하기.
• 루마니아의 국적적 요인—예를 들어 연령, 유전적 배경, 의료 인프라—를 고려하여 현지 데이터에 매개변수를 校정함으로써.

제안 방법

• 자기지도 학습 방식으로 훈련된 딥 컨볼루션 신경망이 입력으로 주어진 일일 사망자 수 시퀀스에서 수정된-SEIR 모델의 적절한 매개변수 조합을 예측한다.
• 모델은 사망자 수 패턴을 타당한 매개변수 조합으로 매핑할 수 있도록 미리 학습된 네트워크로 초기화되며, 명시적 레이블 없이도 작동한다.
• 확률적 좌표 강하 알고리즘이 신경망의 예측을 정밀하게 보정하여 정확도와 수렴 속도를 향상시킨다.
• 전통적인 격자 탐색 대비 계산 효율성과 예측 성능 모두에서 유의미하게 뛰어나다.
• 수정된-SEIR 모델을 사용해 병원 전파를 시뮬레이션하며, 매개변수는 전적으로 사망자 데이터에서 유추된다.
• 최종 모델은 최대 3주 전까지 일일 사망자 수, 감염자 수, 노출자 수를 예측하여 출력한다.

실험 결과

연구 질문

• RQ1 자기지도 학습 기반 딥러닝 모델은 루마니아의 일일 사망자 수만을 사용하여 수정된-SEIR 매개변수를 정확하게 추론할 수 있는가?
• RQ2 제안된 딥러닝 접근법은 계산 속도와 예측 정확도 측면에서 기존 격자 탐색과 비교해 어떻게 성능을 냈는가?
• RQ3 모델의 매개변수 추론 기반으로 루마니아의 추정 사망률은 얼마인가?
• RQ4 모델은 최대 3주 전까지 일일 사망자 수를 신뢰성 있게 예측할 수 있는가?
• RQ5 모델은 감염자 수나 노출자 수와 같은 다른 역학적 지표를 예측하는 데 얼마나 일반화될 수 있는가?

주요 결과

• 모델은 매우 높은 정확도로 루마니아의 일일 사망자 수를 최대 3주 전까지 정확히 예측한다.
• 루마니아의 추정 사망률은 약 0.3%로, 다른 국가들과 비교해 상대적으로 낙관적인 전망을 시사한다.
• 자기지도 학습 기반 딥러닝 접근법은 기존의 표준 격자 탐색 방법 대비 계산 시간을 크게 단축시킨다.
• 확률적 좌표 강하의 통합은 모델의 매개변수 추정 정밀도와 수렴 속도를 향상시킨다.
• 사망자 데이터만을 기반으로 하여도 노출자 수나 감염자 수와 같은 보조 역학 지표의 추론이 신뢰성 있게 가능하다.
• 전통적인 격자 탐색 최적화 대비 속도와 정확도 양면에서 뛰어난 성능을 보인다.