[논문 리뷰] Explainable AI Framework for COVID-19 Prediction in Different Provinces of India

Mredulraj S. Pandianchery, Gopalakrishnan E. A외 3명|arXiv (Cornell University)|2022. 01. 12.

COVID-19 diagnosis using AI인용 수 7

한 줄 요약

이 연구는 마하라슈트라 주의 코로나19 활성 환자 데이터를 기반으로 훈련된 장기 단기 기억(LSTM) 네트워크를 사용한 전이 학습 기반 설명 가능한 인공지능(XAI) 프레임워크를 제안한다. 이 프레임워크는 인도의 다른 주들에 걸쳐 활성 환자 수를 예측한다. 모델은 뛰어난 일반화 능력과 강건성을 보이며, 2022년 1월부터 시작되는 인도의 세 번째 파동을 예측한다. XAI 기법을 통해 LSTM 레이어 출력의 시각화를 통해 예측의 해석 가능성을 확보한다.

ABSTRACT

In 2020, covid-19 virus had reached more than 200 countries. Till December 20th 2021, 221 nations in the world had collectively reported 275M confirmed cases of covid-19 & total death toll of 5.37M. Many countries which include United States, India, Brazil, United Kingdom, Russia etc were badly affected by covid-19 pandemic due to the large population. The total confirmed cases reported in this country are 51.7M, 34.7M, 22.2M, 11.3M, 10.2M respectively till December 20, 2021. This pandemic can be controlled with the help of precautionary steps by government & civilians of the country. The early prediction of covid-19 cases helps to track the transmission dynamics & alert the government to take the necessary precautions. Recurrent Deep learning algorithms is a data driven model which plays a key role to capture the patterns present in time series data. In many literatures, the Recurrent Neural Network (RNN) based model are proposed for the efficient prediction of COVID-19 cases for different provinces. The study in the literature doesnt involve the interpretation of the model behavior & robustness. In this study, The LSTM model is proposed for the efficient prediction of active cases in each provinces of India. The active cases dataset for each province in India is taken from John Hopkins publicly available dataset for the duration from 10th June, 2020 to 4th August, 2021. The proposed LSTM model is trained on one state i.e., Maharashtra and tested for rest of the provinces in India. The concept of Explainable AI is involved in this study for the better interpretation & understanding of the model behavior. The proposed model is used to forecast the active cases in India from 16th December, 2021 to 5th March, 2022. It is notated that there will be a emergence of third wave on January, 2022 in India.

연구 동기 및 목표

• 전이 학습을 활용하여 인도 주들 간 활성 코로나19 환자 수를 예측할 수 있는 강건하고 일반화 능력이 뛰어난 딥 러닝 모델을 개발한다.
• 특히 LSTM 레이어 출력의 시각화를 통해 설명 가능한 인공지능(XAI) 기법을 활용해 모델의 해석 가능성을 향상시킨다.
• 공중보건 정책 수립을 지원하기 위해 인도의 향후 활성 환자 수 추세를 예측한다.
• 다양한 초모수 설정 하에서 다양한 순환 신경망 아키텍처(LSTM, GRU, 스태킹된 변형)의 성능을 평가한다.
• 마하라슈트라 주에서 훈련하고 다른 주들에서 테스트함으로써 모델의 일반화 능력을 평가한다. 이때 각 주의 전파 역학은 서로 다를 수 있다.

제안 방법

• 마하라슈트라 주의 일일 활성 환자 데이터(2020년 6월 10일 ~ 2021년 8월 4일)를 기반으로 단변량 LSTM 모델을 훈련한다.
• 훈련된 모델은 재학습 없이 다른 모든 인도 주의 활성 환자 데이터에 대해 미세조정 및 테스트를 수행한다.
• 두 가지 접근 방식을 비교한다: 접근 방식-1(마하라슈트라에서의 전이 학습)과 접근 방식-2(각 주별로 재학습), 입력 윈도우 크기와 은닉 유닛 수를 초모수 튜닝하여 수행한다.
• 모델의 해석 가능성을 확보하기 위해 설명 가능한 인공지능 기법을 적용하여 LSTM 레이어 출력의 최대 및 최소 값의 시각화를 수행한다.
• 모델 성능은 RMSE와 MAE를 사용해 주별로 평가하며, SimpleRNN, GRU, 스태킹된 RNN, 스태킹된 LSTM, 스태킹된 GRU와의 결과를 비교한다.
• 장기 예측(100일)은 2021년 12월 16일부터 2022년 3월 5일까지 수행되어 향후 추세를 예측한다.

실험 결과

연구 질문

• RQ1 마하라슈트라 주에서 훈련된 LSTM 모델이 전파 역학이 다른 다른 주들에 대해 활성 환자 수를 효과적으로 일반화하여 예측할 수 있는가?
• RQ2 예측 정확도와 강건성 측면에서, 전이 학습 기반 접근 방식-1과 각 주별 재학습 접근 방식-2의 성능는 어떻게 비교되는가?
• RQ3 LSTM 레이어 출력의 시각화와 같은 설명 가능한 인공지능 기법을 통해 모델의 해석 가능성과 신뢰성은 어느 정도 향상될 수 있는가?
• RQ4 활성 환자 수 예측 성능을 최적화하는 데 핵심적인 초모수(입력 윈도우 크기, 은닉 유닛 수)는 무엇인가?
• RQ5 시간적 추세를 바탕으로 모델은 인도의 세 번째 파동의 출현을 신뢰성 있게 예측할 수 있는가?

주요 결과

• 전이 학습 기반 접근 방식-1이 모든 주에서 접근 방식-2보다 예측 정확도에서 뛰어난 성능를 보였다. 특히 초기 환자 수가 적은 전파 역학을 보이는 라크슈와디프 주와 같은 지역에서 두드러졌다.
• 마하라슈트라 주 데이터로 훈련된 LSTM 모델은 다른 주들로 효과적으로 일반화되었으며, 다양한 전파 역학을 잘 포착하는 강건성을 보였다.
• LSTM 레이어 출력의 최대 및 최소 값의 시각화 결과는 실제 환자 수 추세와 강하게 일치하여, 모델의 해석 가능성과 신뢰성을 확인했다.
• 모델는 2022년 1월부터 활성 환자 수의 급격한 증가를 예측하여, 인도에서 세 번째 파동의 출현을 시사했다.
• 모든 평가된 아키텍처 중에서 LSTM 모델이 가장 낮은 RMSE와 MAE를 기록하여, 모든 주에서 SimpleRNN, GRU, 스태킹된 RNN, 스태킹된 LSTM, 스태킹된 GRU를 모두 능가하는 성능를 보였다.
• 이 연구는 전파 역학이 유리한 주(마하라슈트라)에서 훈련된 모델이 재학습 없이도 정확한 주간 예측이 가능하다는 점을 확인했으며, 이는 확장성과 효율성을 향상시킨다.