[论文解读] Neural networks for dengue forecasting: a systematic review

Lober, Luiza, Francisco A. Rodrigues+1 more|arXiv (Cornell University)|Jun 22, 2021

Mosquito-borne diseases and control被引用 6

一句话总结

本篇系统性综述评估了62项研究中神经网络在登革热预测中的应用，发现其表现具有竞争力——尤其是使用历史发病率和气候数据的浅层前馈网络——同时指出了深度网络、迁移学习及气候变化背景下的预测等尚未充分探索的领域。综述呼吁提升模型透明度与基准测试，以支持公共卫生决策。

ABSTRACT

Background: Early forecasts of dengue are an important tool for disease mitigation. Neural networks are powerful predictive models that have made contributions to many areas of public health. In this study, we reviewed the application of neural networks in the dengue forecasting literature, with the objective of informing model design for future work. Methods: Following PRISMA guidelines, we conducted a systematic search of studies that use neural networks to forecast dengue in human populations. We summarized the relative performance of neural networks and comparator models, architectures and hyper-parameters, choices of input features, geographic spread, and model transparency. Results: Sixty two papers were included. Most studies implemented shallow feed-forward neural networks, using historical dengue incidence and climate variables. Prediction horizons varied greatly, as did the model selection and evaluation approach. Building on the strengths of neural networks, most studies used granular observations at the city level, or on its subdivisions, while also commonly employing weekly data. Performance of neural networks relative to comparators, such as tree-based supervised models, varied across study contexts, and we found that 63% of all studies do include at least one such model as a baseline, and in those cases about half of the studies report neural networks as the best performing model. Conclusions: The studies suggest that neural networks can provide competitive forecasts for dengue, and can reliably be included in the set of candidate models for future dengue prediction efforts. The use of deep networks is relatively unexplored but offers promising avenues for further research, as does the use of a broader set of input features and prediction in light of structural changes in the data generation mechanism.

研究动机与目标

• 评估神经网络在不同地理和时间背景下用于登革热预测的当前应用状况。
• 评估神经网络相较于其他机器学习模型在登革热预测中的相对性能。
• 识别现有研究中常见的网络架构、输入特征及数据粒度。
• 考察模型透明度、数据限制以及登革热预测中的未来研究机遇。
• 突出在登革热预测背景下尚未被充分利用的技术，如迁移学习和可解释性方法。

提出的方法

• 基于PRISMA指南，在Web of Science、Scopus、PubMed和ScienceDirect中开展系统性文献检索，检索词为：(deep learning OR neural network) AND dengue。
• 通过三阶段筛选：标题、摘要和全文审查，依据严格纳入标准。
• 纳入使用神经网络或深度学习方法预测人类群体登革热发病率或风险的研究。
• 排除仅关注诊断、无发病率关联的媒介传播模型或非预测性应用的研究。
• 综合整理模型架构、超参数、输入特征（如气候、人口统计、卫星数据）、预测时域及评估方法的数据。
• 评估模型透明度、数据稀缺挑战，以及SHAP等可解释性方法、迁移学习等新兴方法论趋势。

实验结果

研究问题

• RQ1 在登革热预测中，最常使用的神经网络架构类型是什么？与传统机器学习模型相比表现如何？
• RQ2 在基于神经网络的登革热预测模型中，最常使用的输入特征（如气候、人口统计、数字数据）有哪些？
• RQ3 模型性能在不同地理区域，特别是在地方性流行与流行性疫情环境之间，有何差异？
• RQ4 当前登革热预测研究中，模型透明度、可解释性及开源代码实践的采用程度如何？
• RQ5 在气候变化和数据稀缺的背景下，应用神经网络于登革热预测中的关键研究空白是什么？

主要发现

• 共纳入62项研究，其中大多数使用浅层前馈神经网络，并结合历史登革热发病率与气候变量。
• 在包含基线比较的研究中，神经网络在约一半的研究中表现优于比较模型，其中63%的研究至少使用了一项基线模型。
• 大多数研究使用城市或次区级的周数据，表明向高分辨率时空预测发展的趋势。
• 本综述中仅有一项研究在预训练卷积神经网络之外应用了迁移学习，表明在低数据环境下存在显著的研究机遇。
• 病例数稀疏和零膨胀现象被证明会负面影响模型准确性，凸显了改进数据预处理的必要性。
• 尽管关注度持续上升，模型透明度仍有限，大多数研究中代码和方法访问受限，阻碍了可复现性与政策采纳。