《PLOS Computational Biology》:Generative diffusion models for spatiotemporal influenza forecasting
编辑推荐:
预测传染病发病率可为公共卫生规划提供重要信息,但由于流行病动力学复杂,该任务仍然困难。当前机制性(mechanistic)与统计方法往往难以捕捉多模态不确定性(multimodal uncertainty)或新发趋势(emergent trends)。Infl
预测传染病发病率可为公共卫生规划提供重要信息,但由于流行病动力学复杂,该任务仍然困难。当前机制性(mechanistic)与统计方法往往难以捕捉多模态不确定性(multimodal uncertainty)或新发趋势(emergent trends)。Influpaint 将去噪扩散概率模型(denoising diffusion probabilistic models, DDPMs)适配于流行病预测。通过将流感季编码为时空图像(spatiotemporal images),其中像素强度表示发病率,Influpaint 从监测数据和模拟轨迹的混合数据集(hybrid dataset)中学习疾病动力学的丰富分布。预测被表述为基于部分观测的条件生成(conditional generation;inpainting)任务。研究人员表明,Influpaint 可生成真实、多样的流行病轨迹,并在回顾性评价(retrospective evaluation)中取得与领先集成方法(ensemble methods)具有竞争力的预测准确性。在 2022–2025 年 U.S. CDC FluSight 挑战的实时评价(real-time evaluation)中,性能跨季节显著改善,在 2024–2025 年表现出高度准确但略显过度自信(overconfident)的预测。最佳性能通过包含 30% 监测数据和 70% 模拟轨迹的训练数据集实现。这些结果表明,扩散模型(diffusion models)能够捕捉流感动力学中重要的时空结构,并为概率性传染病预测(probabilistic infectious disease forecasting)提供灵活框架。
论文解读:Influpaint 用于时空流感预测的生成扩散模型
传染病发病率预测能够为公共卫生行动提供及时信息,例如资源分配和干预措施。然而,可靠预测十分困难。流行病是动态复杂系统,受内在随机性、人群行为变化、环境因素和报告延迟影响。准确预测要求模型处理非平稳动力学和有限数据,同时表达合理的未来轨迹全谱。多数预测方法基于机制性模型(mechanistic models)或统计模型。机制性模型纳入流行病学知识,但当假设无法描述流行动力学时可产生不现实预测;统计时间序列方法擅长识别历史模式,但过程变化时较脆弱,面对新发病原体时效用有限。预测不确定性可包含不同的替代未来,例如季中下降后继续下降或重新增长,而许多机制性和统计模型低估这些预测分布的多模态性(multimodality)。新一代生成式人工智能(generative AI)模型为高维分布建模提供了有前景的方法。去噪扩散概率模型(Denoising Diffusion Probabilistic Models, DDPM)在图像和音频合成中表现突出,其基于部分观测产生连贯样本的能力适合时空流行病预测。尽管已有生成对抗网络(Generative Adversarial Networks, GANs)和其他深度学习方法用于流行病预测,但扩散模型捕捉细微不确定性和多样流行动力学的能力尚未被探索。
研究人员提出 Influpaint,将 DDPM 应用于美国流感预测。该方法把流感季表示为一个二维图像,一轴为时间,另一轴为地点,像素强度反映发病率。该表示使现代图像生成技术可直接使用,而基于观测历史的条件化通过图像修复(inpainting)过程实现,从而在已知观测与生成未来之间保持连贯。研究人员描述了 Influpaint 架构和训练数据集,评估其重现真实流行动力学的能力,评估回顾性预测技能,并评估其在过去三个 FluSight 季节(2022–2025)中的表现。研究人员还基准比较了替代模型形式,并量化了数据组成和 inpainting 调度等关键设计选择的贡献。总体结论是,扩散模型可捕捉流感动力学中重要的时空结构,并为概率性传染病预测提供灵活框架。其重要意义在于,研究人员展示了纯深度学习的生成模型能够产生与领先业务集成方法有竞争力的实时预测,并可通过任意时空掩码支持缺失数据插补等公共卫生相关任务。
关键技术方法概述(不超过250字):研究人员将流感季编码为以周为横轴、地点为纵轴的二维矩阵/图像,矩阵元素为流感住院发病率,将预测转化为图像生成与条件 inpainting。训练数据为混合队列:CDC FluView、CDC FluSurv-NET 监测数据,以及 Flu Scenario Modeling Hub 第4、5轮和 flepiMoP 第1轮模拟轨迹。模型采用 DDPM 和卷积 U-Net;条件采样使用 RePaint、CoPaint 与优化 DDIM(O-DDIM)等 inpainting 算法。评价在 U.S. CDC FluSight 2022–2025 中进行,使用 512 条采样轨迹、23 个分位水平和加权区间评分(Weighted Interval Score, WIS)等。
研究结果部分保留原文小标题并浓缩如下。
3.1 真实流感季的无条件生成(Unconditional generation of realistic influenza seasons)。研究人员通过无条件生成轨迹,即不给定观测数据生成季节轨迹,发现 Influpaint 产生非训练样本,并遵循已知流感流行模式,包括不同时长的上升和下降以及清晰季节峰。这表明模型学习到流感动力学丰富的高维表示。合成季节在视觉上真实且多样,包括单一高强度峰和双峰流行曲线,也包括异常早峰或晚峰,以及低水平、地理分散的发病率。512 条轨迹形成的包络包含近期观察季节的发病率范围。多州流行时间方面,Influpaint 恢复部分定性结构,州际相关性平均为 0.646,高于随机置换期望,但低于 2023–2024 和 2024–2025 流感季观察到的平均州际相关性 0.833。
3.2 通过时间图像修复进行预测(Forecasting via temporal inpainting)。研究人员评估 Influpaint 的核心应用:基于部分观测季节预测未来轨迹。回顾性评估覆盖 2023–2024 和 2024–2025 两个 FluSight 季节,并与 FluSight 集成比较。该集成在每个预测分位点取模型提交的中位数,通常被视为最佳且最一致的预测模型之一。由于 Influpaint 不建模报告延迟,回顾性评估使用截至各预测日期的最终修正观测值,不使用预测日期之后周次的观测来条件化预测。结果显示,Influpaint 预测常能预判转折点,轨迹在季节峰值附近先变陡后下降。使用最终真实数据,Influpaint 在 2023–2024 总 WIS 为 185,441,在 33 个模型中排名第 5;在 2024–2025 总 WIS 为 450,797,在 43 个模型中排名第 8;FluSight 集成相应为 197,834 和 554,066,分别排名第 8 和第 20。区间覆盖总体良好但略过度自信:2023–2024 的 50% 和 90% 经验覆盖率分别为 0.48 和 0.85,2024–2025 分别为 0.51 和 0.85;集成相应为 0.50 和 0.86,以及 0.50 和 0.76。研究人员指出,该比较存在偏倚,因为 Influpaint 使用最终观测值回顾性生成,而非实时报告约束下的数据;但其仍表明基于扩散的生成模型可达到与领先业务集成相当的准确性和校准,同时提供连贯、基于样本的不确定性表示和多样流行轨迹。扩展到全季预测时,季节早期预测分布呈多模态,反映不同但合理的季节轨迹;随着周观测揭示主导轨迹,模型快速适应;长期预测性能相对短期集成预测可预期下降。
3.3 训练数据组合与模型表述决定预测技能(Training data mix and model formulation determine forecast skill)。研究人员通过一次改变一个因素的消融实验,在 2023–2024 和 2024–2025 的 1–4 周州级预测中评估各变体。训练数据组成有重要影响。研究人员比较四种训练集:仅监测数据(CDC FluView 和 FluSurv)、仅模拟数据(Flu Scenario Modeling Hub 和 flepiMoP 轨迹),以及两种混合数据(30%/70% 和 70%/30% 监测/模拟)。两种混合数据均优于单一来源训练,30% 监测 / 70% 模拟混合在跨季节和跨预测时域中给出最佳 WIS 表现。尽管仅模拟数据集更大,包含 1,240 个独特训练样本,而仅监测数据集仅 20 个,仅模拟训练的性能反而更差。其他模型表述选择也有可测量影响:使用 500 个去噪步骤而非 200 个,以及平方根缩放,均改善预测性能;为丰富训练数据而加入的泊松重采样、时间填充和强度缩放通常使性能变差;不同 U-Net 变体和 inpainting 调度仅产生小差异。
3.4 在 FluSight 挑战中的实际表现(Realized performance in the FluSight challenge)。研究人员以团队名 UNC_IDD-InfluPaint 向 U.S. CDC FluSight 预测挑战提交 2022–2023、2023–2024 和 2024–2025 流感季预测。FluSight 实时进行:每周参与模型提交国家和州级流感住院概率预测,待观测可用后评估。三个季节中,随着算法成熟,Influpaint 表现明显改善,在最近季节进入顶级模型。2022–2023 首次参加使用基于 RePaint 的早期实现,观测周与生成周之间存在边界错位,降低预测校准;模型在 17 个参与系统中排名第 9,50% 预测区间覆盖率为 0.36,平均绝对误差(mean absolute error, MAE)排名第 9,相对 WIS 排名第 10。2023–2024,在提交至少 70% 周预测的模型中,排除 FluSight 集成变体后,UNC_IDD-InfluPaint 绝对 WIS 为 61.9,排名 24/27;相对 WIS 为 1.10,排名 20/27;MAE 为 87.8,排名 24/27;50% 和 90% 经验覆盖率分别为 28.7% 和 71.7%。2024–2025,模型在锐度和准确性上大幅提升,绝对 WIS 为 97.9,MAE 为 128.3,两者均在 36 个模型中排名第 1;相对 WIS 为 0.71,排名第 11;但覆盖率显著低于目标,50% 和 90% 覆盖率分别为 14.8% 和 52.6%,表明预测更锐利但不确定性被低估。
3.5 对异质掩码模式的泛化(Generalization to heterogeneous masking patterns)。由于条件化通过 inpainting 实现,Influpaint 在采样时可施加任意观测掩码:任何时空条目子集可固定为观测值,其余条目从学习到的条件分布采样。这适合时间报告缺口和部分空间覆盖。研究人员发现,Influpaint 能处理部分信息,并在不同掩码设计下重建连贯、合理轨迹。空间重建中,当掩码隐藏 50% 地点时,Influpaint 保留大致峰值时间和峰值幅度结构;在留一州掩码下,可从周围背景推断完全未观测州的合理轨迹。时间重建也有信息量:当仅观测部分季节时,模型恢复合理峰值时间和强度,但不确定性更宽,反映约束有限。预期之中,当局部动态强烈偏离邻近州模式时重建退化。例如 Florida 在 2023–2024 早期发病率相对邻近州异常高,Influpaint 在仅依据后期观测的未来条件化下未能捕捉该升高。研究人员还用棋盘式时空掩码(4 周 × 4 州)展示 Influpaint 的灵活性。
讨论部分总结:研究人员认为,该研究表明扩散模型可用于传染病预测。通过将每个流感季编码为二维时间×地点框架,Influpaint 学习联合时空分布,并能生成在时间和空间动力学上都真实的完整季节。它继承 DDPM 的灵活归纳偏置和跨越多样合理结局的能力,这是表达预测不确定性的核心。据研究人员所知,这是首次将 DDPM 应用于传染病预测。Influpaint 在 CDC FluSight 挑战中取得有竞争力表现,即使在受 COVID-19 大流行扰动的年份也是如此,并且随着框架成熟,在三个季节中性能显著改善。尽管该方法未超过许多现有方法,这些方法通常纳入数十年流行病学专业知识,但研究表明纯基于深度学习的生成模型可以产生有竞争力的实时预测。此外,在 FluSight 季节中,没有单一方法在所有目标和流行病学情境中持续优于替代方法。达到这一性能为扩散模型潜力提供了概念验证。进一步改进路径包括更直接地训练预测任务,以及在预测流程中纳入 nowcasting。研究人员识别数据集组成为预测性能的主要决定因素:包含监测和模拟数据的混合数据集训练模型持续优于单一来源数据集,30%/70% 监测/模拟混合给出最强预测性能。在其他领域,如天气预报,合成数据集对深度学习方法发展至关重要;这里 Influpaint 利用 Flu Scenario Modeling Hub 汇集的丰富流感模型。最后,Influpaint 可在任意时间和空间观测模式下生成条件样本。这种灵活性继承自 DDPM inpainting 方法,允许同一训练模型支持多种公共卫生相关任务,例如插补缺失周和/或地点。此外,Influpaint 产生连贯轨迹集成,因此峰值时间、峰值幅度和累积负担等下游量可直接从采样预测分布获得。当兼容数据可用时,同一架构可跨地理尺度部署,支持从国家到次国家预测的统一工作流。局限包括:难以评估最终优化算法跨多个季节的实时性能,且无法完全区分该实现的局限与更广泛扩散预测框架的局限。此外,若干 Influpaint 特定因素限制其当前形式的广泛使用。性能仍受训练数据多样性和真实性约束。混合数据集缓解数据稀缺,但携带监测和建模来源的偏倚。消融表明模拟轨迹是深度学习预测的重要组成部分,如同其他领域;但仅模拟训练尽管样本更多却不如仅监测训练,引发对可用合成数据质量、多样性及其捕捉流行病结构范围能力的担忧。Influpaint 尚未处理报告延迟或回填校正,这可能影响数据随时间修订的实时应用。可解释性仍是挑战:作为深度生成模型,Influpaint 不提供预测的机制解释。最后,计算成本较高:训练需要高端 GPU 数小时,生成完整轨迹集比许多其他模型更慢。未来扩展可通过直接训练条件扩散模型进行预测,而非在生成时条件化,从而提高预测性能但牺牲灵活性。当前框架还可通过纳入气候、移动性或病毒学数据等辅助通道来扩展,通过额外协变量影响动力学。另一个有前景的方向是将 Influpaint 与机制模型结合,例如使用机制模型输出作为额外协变量,或使用扩散模型学习机制预测周围的残差过程。除流感外,Influpaint 框架具有通用性,可扩展到具有丰富时空数据的其他病原体,包括 RSV(呼吸道合胞病毒)、COVID-19(2019冠状病毒病)和 dengue(登革热)。
研究结论翻译:Influpaint 表明,生成式人工智能(generative AI)尤其是扩散模型(diffusion models)的近期进展,能够提供有竞争力和灵活的传染病预测。随着监测和模拟数据生态系统持续改善,生成扩散模型可能成为流行病预测系统的重要组成部分,为预测和理解疾病动力学提供灵活方法。