[论文解读] Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread

Alessandro Paticchio, Tommaso Scarlatti+3 more|arXiv (Cornell University)|Oct 10, 2020

COVID-19 epidemiological studies参考文献 16被引用 6

一句话总结

本文提出了一种半监督神经网络框架，用于求解微分方程中的逆问题，以模拟COVID-19的传播，结合真实世界数据与一种包含被动人群组分的新型SIRP模型。该方法在瑞士、西班牙和意大利准确拟合了感染和康复动态，分别估计出基本再生数（R₀）为2.7、3.3和4.7，且在封锁后具有高度的预测准确性。

ABSTRACT

Studying the dynamics of COVID-19 is of paramount importance to understanding the efficiency of restrictive measures and develop strategies to defend against upcoming contagion waves. In this work, we study the spread of COVID-19 using a semi-supervised neural network and assuming a passive part of the population remains isolated from the virus dynamics. We start with an unsupervised neural network that learns solutions of differential equations for different modeling parameters and initial conditions. A supervised method then solves the inverse problem by estimating the optimal conditions that generate functions to fit the data for those infected by, recovered from, and deceased due to COVID-19. This semi-supervised approach incorporates real data to determine the evolution of the spread, the passive population, and the basic reproduction number for different countries.

研究动机与目标

• 为解决从有限或噪声较大的真实世界数据中估计流行病学模型未知参数和初始条件的挑战。
• 通过在SIR框架中引入一个被动组分（P），代表与传播动力学隔离的个体，以改进疾病建模。
• 开发一种结合微分方程解的无监督学习与真实数据监督参数估计的半监督深度学习方法。
• 在瑞士、西班牙和意大利的真实数据上评估模型的预测性能，特别是封锁期后的情况。
• 提供一种可推广的框架，用于求解由微分方程控制的动力系统中的逆问题。

提出的方法

• 一个无监督的前馈全连接神经网络在高维初始条件与模型参数空间中学习常微分方程（ODE）系统的参数化解。
• 网络使用基于残差最小化的损失函数，通过涉及f(t) = 1 - e^(-t)的参数化形式，强制预测解精确满足微分方程和初始条件。
• 解表示为ŝ = z₀ + f(t)(z_NN - z₀)，确保初始条件被精确满足。
• 通过梯度下降与自动微分进行监督微调阶段，最小化数据偏差损失L_inv = ⟨(ẑ - z̃)²⟩_t，以调整初始条件和模型参数以拟合观测数据。
• SIRP模型通过增加一个被动组分P扩展SIR系统，其中dP/dt = 0，网络被修改为将P₀作为输入，并引入相应的损失项(dP̂/dt)²。
• 该方法在合成SIR数据上进行了验证，并应用于瑞士、西班牙和意大利的真实数据，数据已按总人口归一化，并通过10倍因子缩放以考虑报告不足。

实验结果

研究问题

• RQ1 半监督神经网络能否有效求解基于微分方程的疾病模型中初始条件与传播参数的逆问题？
• RQ2 在标准SIR模型基础上引入被动组分（P）后，对真实世界COVID-19数据的拟合效果有何改善？
• RQ3 该方法在未使用封锁后数据进一步训练的情况下，其预测能力在多大程度上可延伸至封锁期后？
• RQ4 使用这种数据驱动的逆建模方法，瑞士、西班牙和意大利的基本再生数（R₀）估计值是多少？
• RQ5 该方法在大流行早期阶段数据有限和报告不足情况下的鲁棒性如何？

主要发现

• 半监督神经网络在瑞士、西班牙和意大利的感染人群与移除人群的真实世界数据上实现了精确拟合，预测值与观测数据点高度吻合。
• 模型估计瑞士的R₀为2.7，西班牙为3.3，意大利为4.7，表明意大利的传播性更高。
• 估计显示有相当大比例的人口处于被动组分（P）中——瑞士和意大利为96%，西班牙为95%，表明广泛实施了隔离或接触减少措施。
• 模型在封锁期后仍保持强大的预测性能，且未对封锁后数据进行进一步优化，表明其具有良好的泛化能力。
• 通过将观测数据乘以10倍因子，该方法成功考虑了报告不足的问题，提高了与估计的真实感染和康复曲线的匹配度。
• 引入被动组分的SIRP模型相比标准SIR模型显著提升了模型拟合度，尤其在捕捉封锁和隔离措施的影响方面表现更优。