[论文解读] Explainable AI Framework for COVID-19 Prediction in Different Provinces of India

Mredulraj S. Pandianchery, Gopalakrishnan E. A+3 more|arXiv (Cornell University)|Jan 12, 2022

COVID-19 diagnosis using AI被引用 7

一句话总结

本研究提出了一种基于迁移学习的可解释人工智能（XAI）框架，采用长短期记忆（LSTM）网络对马哈拉施特拉邦的COVID-19活跃病例数据进行训练，以预测印度其他各邦的活跃病例。该模型展现出优异的泛化能力和鲁棒性，预测印度将在2022年1月迎来第三波疫情，且通过XAI技术实现了对LSTM层输出的可视化，提升了预测结果的可解释性。

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.

研究动机与目标

• 开发一种稳健且可泛化的深度学习模型，利用迁移学习预测印度各邦的活跃COVID-19病例。
• 通过可解释人工智能（XAI）技术提升模型可解释性，特别是可视化LSTM层输出。
• 预测印度未来活跃病例趋势，以支持公共卫生决策。
• 在不同超参数条件下，评估多种RNN架构（LSTM、GRU、堆叠变体）的性能。
• 通过在某一邦（马哈拉施特拉邦）训练并在其他具有不同传播动态的邦测试，评估模型的泛化能力。

提出的方法

• 在马哈拉施特拉邦（2020年6月10日至2021年8月4日）的日活跃病例数据上训练单变量LSTM模型。
• 在不重新训练的情况下，将训练好的模型微调并测试于印度其他所有邦的活跃病例数据。
• 比较两种方法：方法一（从马哈拉施特拉邦迁移学习）与方法二（按邦重新训练），并在输入窗口大小和隐藏单元数量上进行超参数调优。
• 应用可解释人工智能技术，可视化LSTM层输出的最大值与最小值，以增强可解释性。
• 使用RMSE和MAE在各邦上评估模型性能，并与SimpleRNN、GRU、堆叠RNN、堆叠LSTM和堆叠GRU进行对比。
• 从2021年12月16日至2022年3月5日进行长期预测（100天），以预测未来趋势。

实验结果

研究问题

• RQ1 在印度某一邦（马哈拉施特拉邦）训练的LSTM模型，能否有效泛化至传播动态不同的其他邦，以预测其活跃病例？
• RQ2 与按邦重新训练的方法（方法二）相比，所提出的迁移学习方法（方法一）在预测准确性和鲁棒性方面表现如何？
• RQ3 可解释人工智能技术（如LSTM层输出的可视化）在多大程度上能增强模型对公共卫生利益相关者的可解释性和可信度？
• RQ4 哪些关键超参数（输入窗口大小、隐藏单元数量）能优化在多样化邦数据集上的预测性能？
• RQ5 该模型能否基于时间趋势可靠地预测印度第三波COVID-19疫情的出现？

主要发现

• 在所有邦中，基于迁移学习的方法一在预测准确性上均优于方法二，尤其在初始病例动态较低的地区（如拉克沙群岛）表现更优。
• 在马哈拉施特拉邦数据上训练的LSTM模型能有效泛化至其他邦，展现出在捕捉多样化传播动态方面的鲁棒性。
• 对LSTM层输出的最大值与最小值进行可视化，显示出与实际病例趋势高度一致，证实了模型的可解释性和可靠性。
• 模型预测自2022年1月起活跃病例将出现显著激增，表明印度将迎来第三波疫情。
• 在所有评估的架构中，LSTM模型在所有邦中均取得最低的RMSE和MAE，优于SimpleRNN、GRU、堆叠RNN、堆叠LSTM和堆叠GRU。
• 本研究证实，基于传播动态有利的邦（如马哈拉施特拉邦）进行训练，可在无需重新训练的情况下实现准确的跨邦预测，显著提升了可扩展性和效率。