[论文解读] Predicting Infectiousness for Proactive Contact Tracing

Yoshua Bengio, Prateek Gupta+21 more|PolyPublie (École Polytechnique de Montréal)|Oct 23, 2020

COVID-19 Digital Contact Tracing参考文献 40被引用 8

一句话总结

本文提出主动接触追踪（PCT），一种基于智能手机的系统，利用设备端机器学习，结合接触史、症状和病史预测个体传染性，实现在检测结果出炉前的早期个性化预警。与仅依赖检测结果的二元接触追踪相比，该方法可减少不必要的隔离，并在低采用率下仍能有效控制疫情爆发。

ABSTRACT

The COVID-19 pandemic has spread rapidly worldwide, overwhelming manual contact tracing in many countries and resulting in widespread lockdowns for emergency containment. Large-scale digital contact tracing (DCT) has emerged as a potential solution to resume economic and social activity while minimizing spread of the virus. Various DCT methods have been proposed, each making trade-offs between privacy, mobility restrictions, and public health. The most common approach, binary contact tracing (BCT), models infection as a binary event, informed only by an individual's test results, with corresponding binary recommendations that either all or none of the individual's contacts quarantine. BCT ignores the inherent uncertainty in contacts and the infection process, which could be used to tailor messaging to high-risk individuals, and prompt proactive testing or earlier warnings. It also does not make use of observations such as symptoms or pre-existing medical conditions, which could be used to make more accurate infectiousness predictions. In this paper, we use a recently-proposed COVID-19 epidemiological simulator to develop and test methods that can be deployed to a smartphone to locally and proactively predict an individual's infectiousness (risk of infecting others) based on their contact history and other information, while respecting strong privacy constraints. Predictions are used to provide personalized recommendations to the individual via an app, as well as to send anonymized messages to the individual's contacts, who use this information to better predict their own infectiousness, an approach we call proactive contact tracing (PCT). We find a deep-learning based PCT method which improves over BCT for equivalent average mobility, suggesting PCT could help in safe re-opening and second-wave prevention.

研究动机与目标

• 解决二元接触追踪（BCT）的局限性，后者仅依赖检测结果，导致健康个体被过度隔离，而传染性个体被遗漏。
• 克服基于检测的追踪效率低下问题，包括高假阴性率、检测延迟，以及传染性在症状出现前已达到高峰的事实。
• 开发一种保护隐私的去中心化方法，利用症状和基础疾病等特征预测个体传染性，实现早期干预。
• 设计一种系统，可提供个性化、分级的预警，并对接触者进行匿名风险传播，从而在不集中收集数据的前提下改善公共卫生结果。
• 确保模型可在老旧智能手机上部署，满足严格的隐私要求，并最大限度减少带宽使用。

提出的方法

• 使用大规模、基于代理的COVID-19模拟器（COVIsIM）离线训练深度学习模型，基于接触史、症状和共病情况预测个体传染性。
• 将训练好的模型本地部署在用户智能手机上，实现实时传染性预测，无需将敏感数据上传至中心服务器。
• 通过匿名消息与个体的接触者共享风险等级估计值，使其能够更新自身的传染性预测——形成分布式的、保护隐私的推理网络。
• 避免在设备间传输完整的概率分布以减少带宽并保护隐私，而是仅传输具有信息量的低维输入供本地预测器使用。
• 借鉴Gupta等人（2020）的特征驱动方法，引入非检测指标（如症状报告和病史）以提高预测准确性。
• 通过与专业应用开发团队合作，确保模型在效率和与老旧智能手机的兼容性方面表现良好，支持真实世界部署。

实验结果

研究问题

• RQ1 基于模拟流行病学数据训练的机器学习模型，能否比仅依赖检测结果的二元接触追踪更准确地预测个体传染性？
• RQ2 与仅依赖检测的模型相比，引入非检测特征（如症状、共病）在多大程度上能提升传染性预测的及时性和准确性？
• RQ3 与传统数字接触追踪相比，主动接触追踪在多大程度上能减少疾病传播，尤其是在低采用率下？
• RQ4 一种在设备间传播风险估计值的去中心化、保护隐私的系统，能否实现优于集中式或二元方法的公共卫生成效？
• RQ5 此类系统的隐私和公平性影响是什么？通过设计与数据治理策略，如何加以缓解？

主要发现

• 基于深度学习的主动接触追踪（PCT）方法在控制疾病传播方面显著优于二元接触追踪（BCT），即使在相同的移动性约束下亦然。
• PCT通过基于症状和接触数据提前识别高风险个体，而非仅依赖延迟的检测结果，从而减少不必要的隔离。
• 即使在低采用率（如10%）下，系统仍能生成有价值的社区级热点图，为公共卫生决策提供支持，且在住院人数上升前即可发挥作用。
• 系统可在症状出现前提供早期个性化预警，这一点至关重要，因为传染性在症状出现前已达到高峰。
• 模型在不同人口群体中表现稳健，尽管识别出按社会经济地位或种族划分的预测准确性潜在差异，但通过重加权策略加以缓解。
• 通过使用非营利性数据信托并遵守蒙特利尔人工智能宣言，确保了隐私与伦理治理，且在疫情结束后数据与组织将被解散。