公众号/ScienceAI(Philosophyai)
作者/余小飞
中国的传统节日春节将至,与往年人潮汹涌的春运不同的是,今年返乡过年的人少了很多。为了防控新冠疫情,很多人选择了就地过年。我们知道,新冠肺炎有一个特点是部分患者被感染后没有任何症状。这也是疫情扩散的重要原因之一。
近日,人工智能公司讯能集思(Synergies)与德国规模最大十所大学之一的汉堡大学(UniversitätHamburg)宣布联合推出了一套机器学习算法,该算法可以识别出人群中最有可能是新冠病毒的「无症状感染者」和「超级传播者」。
该算法及相关研究以Continuous learning and inference of individual probability of SARS-CoV-2 infection based on interaction data为题发表在《科学报告》(Scientific Reports)杂志上。
(来源:Scientific Reports)
研究人员设计了一种新的模型:通过使用基于交互的连续学习和个人概率推断(CLIIP)进行传染性排名,来确定成为新冠病毒无症状携带者的可能性。这种模型是基于个人有向图(IDG),使用多层双向路径跟踪和推理搜索而开发的。IDG由外观时间线和可随时间变化的空间数据确定。
此外,该模型还考虑了潜伏期和可以代表实际情况的几个特征,如存在的无症状携带者的数量。每次确认病例更新后,该模型都会收集交互特征,并根据周围人的状态推断个人感染的可能性。CLIIP方法已通过使用个性化双向SEIR模型来模拟传染过程进行了验证。研究人员表示,与传统的接触者追踪方法相比,该模型可将寻找潜在无症状病毒携带者所需的筛选和隔离大大减少94%。
在此项研究中,研究人员使用了城市GPS空间动态数据计算排名。通过在移动人群中寻找感染源并对其进行排名,从而获得新冠病毒传播的动态模型。
图 | CLIIP模型的学习和推理方案(来源:论文)
IDG上的(Monte Carlo树搜索)MCTS可减少搜索重要中心周围环境的时间,在使用连续数据计算丰富的交互功能时非常高效,所以使用连续时间建模来估计被感染的可能性。而通过CLIIP可以快速获得人群中随时间推移暴露的每个人的感染概率。
图 | CLIIP时间学习框架(来源:论文)
此外,研究人员还进行了向前和向后数据跟踪,甚至可以发现人群中病毒滴度高、无症状的「超级传播者」。
这种精确的联系人追踪方式可以减少因锁定和常规联系人跟踪不必要隔离的人数。Synergies的联合创始人迈克尔·张(Michael Chang)说:「通过这种技术,我们只需隔离极小部分人,且可以有效地减少疫情的影响。」
「移动数据也是从蜂窝数据收藏来的」论文作者之一、汉堡大学张教授说,「如果我们可以使用GPS以外的数据来建立人与人之间的互动关系,如摄像头、室内定位等,将进一步提高该算法的预测准确性。」
论文链接:https://www.nature.com/articles/s41598-021-81809-0#Fig6