深圳子科生物報道：中國的研究人員提出了一種基于機(jī)器的學(xué)習(xí)方法來預(yù)測COVID-19的傳播，能比經(jīng)典的病毒傳播模型更準(zhǔn)確地估計無癥狀病例的數(shù)量。

利用基于機(jī)器學(xué)習(xí)的細(xì)粒模擬器（MLSim）改進(jìn)了復(fù)雜傳輸過程的建模和無癥狀案例的潛在數(shù)量，可以幫助決策者更有效地平衡抗疫措施。

無癥狀個體

在人與人之間傳播的COVID-19病毒并不總是引起相關(guān)疾病癥狀：如呼吸問題、喉嚨痛和發(fā)燒。然而，無癥狀的人仍然具有傳染性，能夠?qū)⒓膊鞑ソo其他人。越來越多的證據(jù)表明，無癥狀但有傳染性的個體數(shù)量正在增加，一項研究估計，多達(dá)60%的患者可能是無癥狀的，也可能只是輕度癥狀。

估計未被發(fā)現(xiàn)的無癥狀感染的數(shù)量對于遏制病毒傳播至關(guān)重要。然而，這很難做到準(zhǔn)確。

南京大學(xué)的Zhi-Hua Zhou和同事在MedRxiv上發(fā)表預(yù)印文章（正在進(jìn)行同行評審），“如果我們能對病毒傳播方式進(jìn)行建模，就完全有可能從現(xiàn)有的流行病數(shù)據(jù)中推斷出未觀察到的無癥狀患者數(shù)量?！?/p>

目前，有兩種主要的方法來模擬傳播和預(yù)測疾病傳播。

一種是動態(tài)傳播模型，如易感感染恢復(fù)（Susceptible Infected Recovered，SIR）模型，該模型考慮了易感病例、感染病例、恢復(fù)病例的因素，并使用方程來模擬個體的變化。這些模型在長期推廣預(yù)測傳播方面是有效的。然而，它們往往過于簡單化了復(fù)雜的、真實的傳播過程，并且很難與流行病學(xué)數(shù)據(jù)相匹配，這會導(dǎo)致大量的錯誤。

另一種方法是使用機(jī)器學(xué)習(xí)模型，如具有長期短期記憶（LTSM）的遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNNs），這些模型與流行病數(shù)據(jù)非常吻合，并能做出適用于近期的準(zhǔn)確預(yù)測。然而，這類模型很難做出長期預(yù)測，也很難解釋，難以將不同的決策納入其中。

現(xiàn)在，Zhou和同事采用從中國31個省和其他6個國家獲得的參數(shù)，測試了基于機(jī)器學(xué)習(xí)的細(xì)粒模擬器（MLSim）方法

他們寫道：“傳統(tǒng)的病毒傳播模型通常比MLSim做更多的假設(shè)，只留下幾個有待確定的參數(shù)。要優(yōu)化的參數(shù)越多，MLSim的表現(xiàn)能力就越強(qiáng)?！?/p>

作者說，MLSim包含了許多實際因素，如潛伏期內(nèi)疾病的進(jìn)展；人們在不同地區(qū)之間的活動；無癥狀、未被發(fā)現(xiàn)的病例，以及預(yù)防和遏制措施的有效性。

這些因素是如何相互作用的，模型使用虛擬傳輸動力學(xué)與待定參數(shù)，機(jī)器學(xué)習(xí)已在流行病數(shù)據(jù)中找到了精確定位。學(xué)習(xí)首先緊密匹配真實世界的數(shù)據(jù)，然后MLSim再預(yù)測無癥狀個體的數(shù)量。

該小組報告說，MLSim比基于SEIR和LSTM的模型做出了更準(zhǔn)確的預(yù)測。通過學(xué)習(xí)中國的數(shù)據(jù)MLSim發(fā)現(xiàn)，無癥狀個體的數(shù)量可能為150408，占推斷感染總數(shù)的65%，其中包括未被發(fā)現(xiàn)的病例。4月15日，意大利無癥狀但有傳染性的人數(shù)為41387人；德國為21118人；美國為354657人；法國為40379人，英國為144424人。

模擬結(jié)果還顯示，如果中國大陸采取遏制的措施比1月23日晚1、3、5和7天的話，預(yù)計6月12日的確診病例數(shù)分別為109039例（129%）、183930例（218%）、313342例（371%）和537555例（637%）。

結(jié)論

“基于機(jī)器學(xué)習(xí)的細(xì)粒模擬器可以更好地模擬復(fù)雜的真實疾病傳播過程，從而有助于平衡遏制措施的決策，模擬器還揭示了潛在的大量未被發(fā)現(xiàn)的無癥狀感染，這對病毒的遏制構(gòu)成了極大的風(fēng)險?！?/p>

研究人員還指出，盡管這種“混合知識和數(shù)據(jù)學(xué)習(xí)方法”并沒有得到普遍認(rèn)可，“但是我們發(fā)現(xiàn)，當(dāng)數(shù)據(jù)稀少，而知識豐富但不準(zhǔn)確時，比如新的傳染病爆發(fā)的情況下，它非常有用，”研究小組總結(jié)說。