[论文解读] An Investigation of COVID-19 Spreading Factors with Explainable AI Techniques

Xiuyi Fan, Siyuan Liu+2 more|arXiv (Cornell University)|May 5, 2020

COVID-19 diagnosis using AI参考文献 13被引用 5

一句话总结

本研究利用可解释人工智能（SHAP与ECPI）分析2020年1月至4月期间18个国家的公共卫生措施，识别出城市封锁和接触者追踪是降低瞬时基本再生数$R_t$最有效的干预措施。结果表明，佩戴口罩和温暖气温也对控制传播有显著贡献，而大规模检测在缺乏互补措施的情况下效果较弱。

ABSTRACT

Since COVID-19 was first identified in December 2019, various public health interventions have been implemented across the world. As different measures are implemented at different countries at different times, we conduct an assessment of the relative effectiveness of the measures implemented in 18 countries and regions using data from 22/01/2020 to 02/04/2020. We compute the top one and two measures that are most effective for the countries and regions studied during the period. Two Explainable AI techniques, SHAP and ECPI, are used in our study; such that we construct (machine learning) models for predicting the instantaneous reproduction number ($R_t$) and use the models as surrogates to the real world and inputs that the greatest influence to our models are seen as measures that are most effective. Across-the-board, city lockdown and contact tracing are the two most effective measures. For ensuring $R_t<1$, public wearing face masks is also important. Mass testing alone is not the most effective measure although when paired with other measures, it can be effective. Warm temperature helps for reducing the transmission.

研究动机与目标

• 评估在早期新冠传播期间，各类公共卫生干预措施对降低瞬时基本再生数$R_t$的相对有效性。
• 识别出如封锁、戴口罩或检测等措施中，哪些对降低$R_t$影响最为显著。
• 应用可解释人工智能（XAI）技术以解释模型预测结果，并揭示控制传播的关键影响因素。
• 为政策制定者提供基于证据的策略建议，以在防止疫情反弹的同时逐步解除限制措施。

提出的方法

• 构建机器学习模型，利用18个国家的每日确诊病例时间序列数据，预测瞬时基本再生数$R_t$。
• 将公共卫生干预措施的时间线（如封锁、学校停课、旅行禁令等）作为模型的输入特征。
• 应用SHAP（Shapley加性解释）与ECPI（基于概率推断的可解释分类）技术，解释模型预测结果并识别最关键的影响因素。
• 利用rp5.ru提供的气象数据（温度与湿度）评估环境因素对传播的影响。
• 将模型预测结果视为现实动态的代理指标，特征重要性反映干预措施的有效性。
• 整合Kaggle、Wikipedia及政府来源的数据，将干预措施的实施日期与病例趋势对齐。

实验结果

研究问题

• RQ1 在疫情早期阶段（2020年1月至4月），哪些公共卫生干预措施最有效地降低了$R_t$？
• RQ2 与大规模检测或戴口罩令等措施相比，城市封锁和接触者追踪在降低$R_t$方面的有效性如何？
• RQ3 环境温度在多大程度上影响SARS-CoV-2的传播速率？
• RQ4 SHAP与ECPI等可解释人工智能技术能否可靠地从复杂的真实世界数据中识别出最具影响力的干预措施？
• RQ5 当单独实施或组合实施时，戴口罩与检测措施的相对贡献如何？

主要发现

• 城市封锁与接触者追踪被确定为将$R_t$降低至1以下最有效的两项措施，且得到SHAP与ECPI模型可解释性的有力支持。
• 公众佩戴口罩被证实能显著降低传播风险，尤其在持续佩戴的情况下，对维持$R_t < 1$至关重要。
• 大规模检测作为单一措施效果有限，但若与其他干预措施（如接触者追踪）结合，则可显著提升整体效果。
• 较温暖的环境温度与传播率降低相关，提示环境因素可能对$R_t$具有调节作用。
• 接触者追踪，尤其是借助技术手段（如移动设备追踪）时，若与封锁措施结合并辅以强有力的隐私保护，效果最为显著。
• 政府倡导与学校停课具有中等影响力，但其效果不够稳定，通常次于封锁与接触者追踪。