[논문 리뷰] Deep Landscape Features for Improving Vector-borne Disease Prediction

Nabeel Abdur Rehman, Umar Saif외 1명|arXiv (Cornell University)|2019. 04. 03.

Mosquito-borne diseases and control인용 수 7

한 줄 요약

이 연구는 파키스탄에서 지도 기반의 환경 특징을 활용하여 높은 해상도 위성 영상에서 추출한 딥 랜드스케이프 특징을 감염자-감염 가능성-회복자(SIR) 모델에 통합하여 지도 기반의 데인게 열병 확산 예측 성능을 향상시키는 것을 제안한다. 런던의 지형 데이터를 기반으로 사전 훈련된 컨volutional 신경망(CNN)을 활용하여 의미 있는 영상 특징을 추출하고, 이를 파키스탄의 현지 데인게 열병 사례 데이터(2012–2016)와 결합함으로써 모델의 예측 성능이 향상됨을 확인하였다. 이는 벡터 기반 전염병 감시에 대한 전이 학습의 실현 가능성과 가치를 입증한다.

ABSTRACT

The global population at risk of mosquito-borne diseases such as dengue, yellow fever, chikungunya and Zika is expanding. Infectious disease models commonly incorporate environmental measures like temperature and precipitation. Given increasing availability of high-resolution satellite imagery, here we consider including landscape features from satellite imagery into infectious disease prediction models. To do so, we implement a Convolutional Neural Network (CNN) model trained on Imagenet data and labelled landscape features in satellite data from London. We then incorporate landscape features from satellite image data from Pakistan, labelled using the CNN, in a well-known Susceptible-Infectious-Recovered epidemic model, alongside dengue case data from 2012-2016 in Pakistan. We study improvement of the prediction model for each of the individual landscape features, and assess the feasibility of using image labels from a different place. We find that incorporating satellite-derived landscape features can improve prediction of outbreaks, which is important for proactive and strategic surveillance and control programmes.

연구 동기 및 목표

• 고해상도 위성 영상에서 유도된 지형 특징을 통합하여 데인게 열병 확산 예측 모델의 정확도를 향상시키는 것.
• 사전 훈련된 CNN를 활용해 한 지역(런던)에서 추출한 지형 특징을 다른 지역(파키스탄)으로 전이하는 것의 실현 가능성 평가.
• 전염병 모델에 개별 지형 특징을 단계적으로 추가했을 때의 예측 성능 향상 정도 평가.
• 데이터 기반 위성 기반 특징을 활용하여 모기 기반 전염병에 대한 사전 감시 및 대응 전략 지원.

제안 방법

• ImageNet에서 사전 훈련된 컨volutional 신경망(CNN) 모델을 런던의 지형 영상에 대해 미세 조정(fine-tuned)하고 적용하여 지형 특징을 레이블링한다.
• 동일한 사전 훈련된 CNN를 사용하여 파키스탄의 위성 영상에서 지형 특징을 추출함으로써 지리 간 전이 학습을 구현한다.
• 추출된 지형 특징을 파키스탄의 2012~2016년 기간 동안 보고된 데인게 열병 사례 데이터와 함께 표준 감염자-감염 가능성-회복자(SIR) 전염병 모델에 통합한다.
• 개별 지형 특징을 SIR 모델에 단계적으로 추가했을 때의 예측 성능 향상을 측정하여 모델 성능을 평가한다.
• 지형 특징 유무에 따라 예측 정확도를 비교하여 그 영향을 정량화한다.

실험 결과

연구 질문

• RQ1 위성 영상에서 추출한 딥 랜드스케이프 특징이 실제 전염병 모델에서 데인게 열병 확산 예측 정확도를 향상시킬 수 있는가?
• RQ2 런던에서 훈련된 CNN 모델이 다른 지역(파키스탄)의 지형 데이터에서 특징을 효과적으로 추출할 수 있는가?
• RQ3 어떤 개별 지형 특징이 SIR 모델의 성능 향상에 가장 크게 기여하는가?
• RQ4 위성 기반 환경 특징의 통합이 모델이 데인게 열병 확산을 사전에 예측하는 능력을 향상시키는가?

주요 결과

• SIR 모델에 위성 기반 지형 특징을 통합함으로써 파키스탄에서의 데인게 열병 확산 예측 정확도가 향상된다.
• 런던에서의 지형 특징 추출을 파키스탄으로 전이하는 것은 실현 가능하며, 새로운 지리적 맥락에서 사전 훈련된 모델을 효과적으로 활용할 수 있음을 시사한다.
• 개별 지형 특징은 모델 성능 향상에 다양한 기여를 하며, 이는 위성 영상 내 특정 공간 패턴이 데인게 전파 예측에 더 예측 가능하다는 것을 의미한다.
• 딥 러닝 기반 지형 특징의 통합은 모델의 사전 감시 능력 및 전략적 개입 계획 수립 능력을 향상시킨다.