AI模型预测美国疫情本周进入停滞期?MIT证明居家隔离可使病例从指数暴增变为线性增长

  1. 云栖社区>
  2. 云栖号资讯>
  3. 博客>
  4. 正文

AI模型预测美国疫情本周进入停滞期?MIT证明居家隔离可使病例从指数暴增变为线性增长

云栖号资讯小哥 2020-04-17 14:25:18 浏览701
展开阅读全文

云栖号资讯:【点击查看更多行业资讯
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!

社交隔离可能要到2022年,我们或需适应时松时紧的防疫新常态

据JHU的实时统计数据显示,截至本文停笔的北京时间4月17日12时,全球新冠累计确诊已达215万,即2158250例;累计死亡病例达到14.4万。

image

近期,《科学》杂志上的一项研究提出,在没有特效药和疫苗的情况下,为了避免新冠肺炎挤兑重症监护能力,长期或间隔性的社交隔离可能需要持续到2022年,并且认为2024年有可能迎来新一轮复发。

哈佛大学团队研究认为,新冠肺炎将成为季节性流行病,今后我们可能会需要适应隔离措施几个月松、几个月紧的新常态,即之前文章介绍过的“照明开关法”。

image
“Lightswitch":通过一松一紧的反复震荡,让新冠疫情“软着陆”。

在目前阶段,美国明显是重灾区。截止到今天上午11点,美国累计确诊66万,累计死亡2.8万。

其中,纽约州一个州的确诊就达到21万,已经接近中国总病例数的3倍。

image

从图上看,全美确诊人数增速仍然迅猛,现有确诊人数增速开始下降,因为治愈人数开始上升。

image

随着医疗人员和物资的不断增强,治愈人数不断上升,同时死亡人数也在增加,应该是由于总病例数太高。

在这个疫情蔓延的档口,全美的科技人才也纷纷为疫情尽力,提出各种疫情预测模型。

MIT开发出首个结合DL神经网络的疫情模型

已有的许多模型都是使用有关SARS或MERS之前暴发的研究数据建立的。

昨天,MIT团队开发出第一个使用新冠疫情本身数据,并加入机器学习神经网络的疫情研究模型,以确定隔离措施的有效性,并更好地预测病毒的传播。

目前大多数预测疾病蔓延的模型都采用“SEIR”模型,将人们分为“易感”、“暴露”、“感染”和“恢复”四个阶段。

然而,本次抗疫的实际情况是,各国都建立了对感染者进行隔离、以防止其继续传播病毒的机制。

因此,研究团队通过训练神经网络来捕捉受感染被隔离、从而不再传播给他人的个体的数量,从而改善了SEIR模型。

image
(a)使用的神经网络架构:2层,隐藏层中有10个单元。(b)对于所有考虑的区域,根据(4.16)的训练损失L(W,β,γ)。

更刺激的是,做出这个项目的只有研究土木和环境工程的博士生Dandekar和机械工程教授Barbastathis两个人,这个模型只是这个学生的一门课程的结课作业。

课程作业是如何变成第一个DL模型的

Barbastathis对他指导的MIT 2.168班要求,在每个学期末,班上的学生都有责任为现实世界中的问题开发物理模型,并开发一种机器学习算法来解决它。

2月初,随着疫情蔓延的令人担忧的新闻开始占据头条,他提议期末项目研究新冠病毒的传播情况。

“有学生抓住了研究新冠病毒的机会,立即想以MIT的典型方式来解决这个具体问题,” Barbastathis补充说。

这个学生指的就是Dandekar。他说:“这个项目使我非常感兴趣,它让我将新科学——机器学习应用于一个非常紧迫的现实问题中。”

提出模型

首先,他们提出了一个概念“有效繁殖数量”(Rt),这个值对应于使曲线斜率变小、并开始减少感染的点。

当它大于1时,病毒会继续传播,小于1时,病毒传播会减慢。

其次,他们提出“隔离强度函数”Q(t),神经网络对这个概念正在飞速学习。

随着新冠病毒开始遍布全球,该项目的范围也在扩大。最初是从着眼于中国武汉市的传播。

image
对武汉假设没有进行隔离的病例数的预测,左边是MIT预测模型,右边是中国卫健委给出的模型。相似度非常高。

image
武汉神经网络模型,day0=1月24日。(a)与数据相比,估计感染和恢复病例数。(b)由神经网络学习的隔离强度函数Q(t)。(c)有效复制数Rt。

image
武汉市的预测:(a)隔离强度Q(t)和(b)基于神经网络增强SIR模型的有效繁殖数Rt。

后来发展到包括意大利的传播。

image
意大利神经网络模型,第0天= 2020年2月27日:(a)与数据相比,估计感染和康复病例数。(b)由神经网络学习的隔离强度函数Q(t)。(c)有效复制数Rt。

image
意大利的预测:(a)隔离强度Q和(b)有效繁殖数Rt在意大利基于神经网络增强的SIR模型。

还有韩国。

image
韩国神经网络模型,第0天= 2020年2月22日:(a)与2020年2月22日韩国的数据相比,估计感染和恢复的病例数。(b)由神经网络学习的隔离强度函数Q(t)。(c)有效复制数Rt。

在记录到第500个病例之后,二人组开始对病毒在这四个区域中每个区域的传播进行建模。这意味着他们开始清楚地描述不同政府如何执行隔离令。

借助来自这些国家/地区的精确数据,研究团队采用了标准的SEIR模型,并通过神经网络对其进行了扩充,该网络可了解隔离区中的感染者如何影响感染率。他们通过500次迭代训练了神经网络,因此它可以教自己如何预测感染传播的模式。

模型证明了病毒传播和隔离强度的直接关联

研究团队能够得出隔离措施与病毒有效繁殖数量减少之间存在直接关联。

他们的模型显示,隔离限制成功地使有效繁殖数量从大于1减少到小于1。

该模型发现,在韩国等政府立即采取干预措施实施强有力的检疫措施的地区,该病毒的传播速度更快达到了稳定状态。(原文此处没有提中国。)

自3月中旬以来,由于美国的隔离措施推行缓慢,阻止病毒在美国的传播变得越来越困难。

目前,在意大利和美国等执行政府干预措施较慢的地方,新冠病毒的“有效繁殖数量”仍然大于1,这意味着该病毒继续呈指数级传播。

image
美国神经网络模型,第0天= 2020年3月8日:(a)与美国2020年3月8日之后的数据相比,估计感染和恢复的病例数。(b)由神经网络学习的隔离强度函数Q(t)。(c)有效复制数Rt。

image
美国的预测:(a)隔离强度Q和(b)有效繁殖数Rt,基于神经网络增强的SIR模型在美国。

预测美国病例数将在4月15-20日之间停滞

模型预测,随着当前隔离措施的到位,意大利和美国的稳定期将在4月15日至20日之间到来。这与其他机构的预测类似。

随着特定国家/地区病例数的减少,模型将从指数形式转变为线性形式。意大利从4月初开始进入线性状态。

预测美国将在4月的第一周开始从指数模式转变为线性模式,感染病例数可能会在4月15日至4月20日之间停滞。

image
美国混合模型预测,第0天= 2020年3月8日:(a)根据美国训练有素的模型,比较3月31日之后美国的预测感染病例数,或逐步调整其中一个的隔离控制功能Q(t) 根据(4.17),在武汉,意大利或韩国。(b)根据(4.17)调整的美国隔离强度功能。

模型也表明在感染率开始停滞之前,美国的感染人数将达到60万(腺癌已经突破了)。

“这是一个非常关键的时刻。如果我们过早放松检疫措施,可能会导致灾难。” Barbastathis说。

据Barbastathis所说,对于过快放宽检疫措施可能带来的危险,只需要去新加坡看看。新加坡目前正在经历的第二次感染浪潮。

深度学习算法分析超18亿数据,仪表盘展示社会距离对人和车的实时影响

许多国家采取了社会距离措施,以减缓COVID-19大流行的蔓延。要了解这些建议是否有效,我们需要评估它们遵循的程度。

为此,urban observatory的团队开发了一个城市数据仪表盘,以帮助实时了解社会距离措施对城市中人和车辆运动的实时影响。

image
仪表盘地址:
https://covid.view.urbanobservatory.ac.uk/#traffic-national

纽卡斯尔大学城市观测站的建立是为了更好地了解城市运动的动态。它利用成千上万个传感器和数据共享协议来监视整个城市的活动,从交通和人流量到交通拥堵,从停车场占用率到公交车GPS追踪器。它还监视能源消耗、空气质量、气候和许多其他变量。

改变运动

通过深度学习算法,该团队已经分析了超过18亿个单独的观测数据,以及其他数据源。这些数据可实时通知和更新仪表盘。

image
行人运动监测仪表盘

在上图中,来自行人传感器的实时数据显示为实线。阴影区域是“正常”的封锁前行人流量。传感器通常每小时监测两个方向的行人流量,然后将其与上一年的同一天进行比较。图中的峰值表示高峰时段人流量的增加。然而,自封锁以来,总体上只观察到非常小的峰值。

研究发现,与年平均水平相比,行人流量减少了95%。这表明人们一直在严格遵守政府的指导方针。但是,在3月23日晚些时候出台了严格的规定之后,人流量才出现了最大幅度的下降,这表明更强有力的信息达到了预期效果。

image
行人流量

就车辆流动而言,在封锁的第一周早期,交通流量减少的速度要慢得多,只有年平均水平的50% 左右。这可能是因为人们转向使用汽车而不是公共交通。研究人员估计,自3月1日以来,泰恩威尔郡(Tyne and Wear)人们乘坐公交的次数减少了612,000次。

image
交通流量

英格兰公共卫生部门还建议人们外出时保持至少两米的距离。这个建议已经被广泛宣传,但是很难评估它是否被遵循。通过使用计算机视觉和图像处理,该团队开发了可自动测量公共区域中社会距离的算法。

3

研究人员制作了可以测量公共场所行人之间距离的模型。通过使用交通信号灯指示器系统,该算法能够匿名识别并标记那些保持安全距离的人,同时将违反社会距离的某些情况标记为红色。

利用这些信息,我们可以找出社会距离无法维持的瓶颈,以及在施加或解除限制时民众如何适应。

这类数据不仅可以实时显示物理距离是如何变化的,而且可以提供长期行为变化的详细信息。

一位世界卫生组织的专家曾表示,英国在实施严格的社会距离措施方面晚了十天。这可能是由于缺乏对广泛的公众行为的深入了解。而像这样的观测技术可能是未来危机管理应对措施的核心。

参考链接:

MIT模型预印本参阅:
https://www.medrxiv.org/content/10.1101/2020.04.03.20052084v1.full.pdf
模型量化了隔离措施对Covid-19传播的影响
http://news.mit.edu/2020/new-model-quantifies-impact-quarantine-measures-covid-19-spread-0416
深度学习算法如何用于衡量社会距离
https://thenextweb.com/syndication/2020/04/16/how-deep-learning-algorithms-can-be-used-to-measure-social-distancing/

【云栖号在线课堂】每天都有产品技术专家分享!
课程地址:https://yqh.aliyun.com/live

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-04-17
本文作者:新智元
本文来自:“新智元”,了解相关信息可以关注“新智元

网友评论

登录后评论
0/500
评论
云栖号资讯小哥
+ 关注
所属团队号: 云栖号资讯