編輯丨toileter
將嵌入機械模型中的先前流行病學知識與 AI 的資料探勘功能相結合，為流行病學建模提供了變革性的潛力。雖然 AI 與傳統機械方法的融合正在迅速發展，但工作仍然分散。
目前，需要更好地納入現實的決策考慮，擴大對不同資料集的探索，以及進一步研究生物和社會行為機制。解決這些差距將釋放 AI 和機制建模的協同潛力，以增強對疾病動態的理解並支援更有效的公共衛生規劃和響應。
來自美國耶魯大學與加拿大約克大學的團隊將他們的研究以「Integrating artificial intelligence with mechanistic epidemiological modeling: a scoping review of opportunities and challenges」作為標題，於 2025 年 1 月 10 日釋出在《Nature Communications》。
研究選擇和特徵
團隊的檢索納入了 15,460 項研究。
圖示：PRISMA 流程圖（圖源：論文）
這些研究涵蓋了不同傳染病綜合模型的各個應用領域。總體上涵蓋了 26 種傳染病，大多數集中於 COVID-19，其次為流感。
應用領域被分為六個部分，傳染病預測、模型引數化和校準、疾病干預評估和最佳化、回顧性流行病分析、傳播推斷與疫情檢測。
該團隊確定了九個主要的方法框架。其中替代建模/綜合訓練的 AI 模型佔最大比例，其次為 AI 增強的流行病學模型。
圖示：方法框架說明性例項。（圖源：論文）
近半的研究採用 AI 來學習流行病學模型的未知成分，從而能夠將時變成分和不同的資料集納入疾病建模。其他常見的整合方法包括使用流行病學模型生成的資料訓練人工智慧技術。
現狀討論
大資料的快速擴充套件和計算能力的進步極大地拓寬了 AI 技術與機械流行病學建模的整合。在審查的 245 項研究中，近 90% 是在過去四年中發表的，面對不斷發展的流行病學情況，整合模型成功地解決了機械模型帶來的挑戰。
這一成功是透過利用人工智慧技術從不同的資料庫中提取有價值的資訊，有效地學習和轉移資料中嵌入的知識，並在已建立的貝葉斯和最佳化框架中引入方法創新。
雖然大資料在增強這些模型方面具有巨大潛力，但社交媒體內容、搜尋查詢、醫療報告和衛星影像等非傳統監控資料的整合仍然有限。
疾病的傳播是一個複雜的流程，受流行病學、生物學和社會行為因素的共同影響。目前的模型主要關注流行病學，忽視了其他影響因素的複雜相互作用。
回顧與總結
人工智慧技術和機械流行病學模型可以相互協同增強，利用人工智慧方法的優勢來學習複雜的投入產出關係，同時結合嵌入機械模型中的先前流行病學知識。
透過跨學科合作應對這些挑戰，人類可以釋放 AI 的全部潛力，豐富流行病學建模工具包，最終增強理解、預防、緩解和應對傳染病爆發的能力。
原文連結：https://www.nature.com/articles/s41467-024-55461-x