• 发布日期：2020-04-28
  分享

深圳子科生物报道：中国的研究人员提出了一种基于机器的学习方法来预测COVID-19的传播，能比经典的病毒传播模型更准确地估计无症状病例的数量。

利用基于机器学习的细粒模拟器（MLSim）改进了复杂传输过程的建模和无症状案例的潜在数量，可以帮助决策者更有效地平衡抗疫措施。

无症状个体

在人与人之间传播的COVID-19病毒并不总是引起相关疾病症状：如呼吸问题、喉咙痛和发烧。然而，无症状的人仍然具有传染性，能够将疾病传播给其他人。越来越多的证据表明，无症状但有传染性的个体数量正在增加，一项研究估计，多达60%的患者可能是无症状的，也可能只是轻度症状。

估计未被发现的无症状感染的数量对于遏制病毒传播至关重要。然而，这很难做到准确。

南京大学的Zhi-Hua Zhou和同事在MedRxiv上发表预印文章（正在进行同行评审），“如果我们能对病毒传播方式进行建模，就完全有可能从现有的流行病数据中推断出未观察到的无症状患者数量。”

目前，有两种主要的方法来模拟传播和预测疾病传播。

一种是动态传播模型，如易感感染恢复（Susceptible Infected Recovered，SIR）模型，该模型考虑了易感病例、感染病例、恢复病例的因素，并使用方程来模拟个体的变化。这些模型在长期推广预测传播方面是有效的。然而，它们往往过于简单化了复杂的、真实的传播过程，并且很难与流行病学数据相匹配，这会导致大量的错误。

另一种方法是使用机器学习模型，如具有长期短期记忆（LTSM）的递归神经网络（recurrent neural networks，RNNs），这些模型与流行病数据非常吻合，并能做出适用于近期的准确预测。然而，这类模型很难做出长期预测，也很难解释，难以将不同的决策纳入其中。

现在，Zhou和同事采用从中国31个省和其他6个国家获得的参数，测试了基于机器学习的细粒模拟器（MLSim）方法

他们写道：“传统的病毒传播模型通常比MLSim做更多的假设，只留下几个有待确定的参数。要优化的参数越多，MLSim的表现能力就越强。”

作者说，MLSim包含了许多实际因素，如潜伏期内疾病的进展；人们在不同地区之间的活动；无症状、未被发现的病例，以及预防和遏制措施的有效性。

这些因素是如何相互作用的，模型使用虚拟传输动力学与待定参数，机器学习已在流行病数据中找到了精确定位。学习首先紧密匹配真实世界的数据，然后MLSim再预测无症状个体的数量。

该小组报告说，MLSim比基于SEIR和LSTM的模型做出了更准确的预测。通过学习中国的数据MLSim发现，无症状个体的数量可能为150408，占推断感染总数的65%，其中包括未被发现的病例。4月15日，意大利无症状但有传染性的人数为41387人；德国为21118人；美国为354657人；法国为40379人，英国为144424人。

模拟结果还显示，如果中国大陆采取遏制的措施比1月23日晚1、3、5和7天的话，预计6月12日的确诊病例数分别为109039例（129%）、183930例（218%）、313342例（371%）和537555例（637%）。

结论

“基于机器学习的细粒模拟器可以更好地模拟复杂的真实疾病传播过程，从而有助于平衡遏制措施的决策，模拟器还揭示了潜在的大量未被发现的无症状感染，这对病毒的遏制构成了极大的风险。”

研究人员还指出，尽管这种“混合知识和数据学习方法”并没有得到普遍认可，“但是我们发现，当数据稀少，而知识丰富但不准确时，比如新的传染病爆发的情况下，它非常有用，”研究小组总结说。