[论文解读] Deep Landscape Features for Improving Vector-borne Disease Prediction

Nabeel Abdur Rehman, Umar Saif+1 more|arXiv (Cornell University)|Apr 3, 2019

Mosquito-borne diseases and control被引用 7

一句话总结

本研究提出将高分辨率卫星影像中的深层景观特征整合到易感-感染-康复（SIR）模型中，以提升巴基斯坦登革热疫情预测的准确性。通过利用在伦敦景观数据上预训练的卷积神经网络（CNN）提取有意义的图像特征，当结合巴基斯坦本地登革热病例数据（2012–2016年）时，该模型实现了更优的预测性能，证明了迁移学习在媒介传播疾病监测中的可行性和价值。

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.

研究动机与目标

• 通过整合高分辨率卫星影像提取的景观特征，提升登革热疫情预测模型的预测准确性。
• 评估将一种地理区域（伦敦）的景观特征提取方法迁移至另一区域（巴基斯坦）的可行性，使用预训练的CNN模型。
• 评估在流行病模型中逐个添加景观特征时，预测性能的增量改进情况。
• 通过数据驱动的、基于卫星的特征，支持登革热等蚊媒疾病的主动监测与防控策略。

提出的方法

• 将最初在ImageNet上训练的预训练卷积神经网络（CNN）模型进行微调，并应用于伦敦卫星影像的景观特征标注。
• 使用相同的预训练CNN从巴基斯坦的卫星影像中提取景观特征，实现在地理区域间的迁移学习。
• 将提取的景观特征与巴基斯坦2012至2016年报告的登革热病例数据一并整合到标准的易感-感染-康复（SIR）流行病模型中。
• 通过逐个增量添加个体景观特征，测量其对SIR模型预测性能的提升程度，评估模型性能。
• 比较包含与不包含景观特征时的预测准确性，量化其对疫情预测的影响。

实验结果

研究问题

• RQ1 能否通过从卫星影像中提取的深层景观特征，提升真实世界流行病模型中登革热疫情预测的准确性？
• RQ2 在某一区域（伦敦）训练的CNN模型，在多大程度上可有效迁移至另一区域（巴基斯坦）以提取景观特征？
• RQ3 哪些个体景观特征对SIR模型预测性能的提升贡献最为显著？
• RQ4 在模型中引入基于卫星的环境特征，是否能增强其预测登革热疫情爆发的能力？

主要发现

• 将基于卫星影像提取的景观特征整合到SIR模型中，可显著提升巴基斯坦登革热疫情预测的准确性。
• 从伦敦到巴基斯坦的景观特征提取迁移具有可行性，使预训练模型可在新地理环境中有效应用。
• 不同景观特征对模型性能的提升作用各异，表明卫星影像中的某些空间模式对登革热传播具有更强的预测能力。
• 基于深度学习的景观特征整合，增强了模型在主动监测与战略性干预规划方面的能力。