基于物理信息神经网络(Physics-Informed Neural Networks, PINNs)的SUC仓室模型用于从部分观测确诊病例推断未确诊感染及流行病参数

《Healthcare Analytics》:A data-adaptive strategy for hyperparameter selection in physics-informed neural networks for healthcare epidemic analytics

【字体: 大 中 小 】 时间:2026年04月03日 来源:Healthcare Analytics CS4.4

编辑推荐:

  研究人员提出一种基于物理信息神经网络(Physics-Informed Neural Networks, PINNs)的SUC(Susceptible–Unconfirmed–Confirmed)仓室模型框架,用于仅根据观测到的确诊病例时间序列C(t)推断隐藏

  
研究人员提出一种基于物理信息神经网络(Physics-Informed Neural Networks, PINNs)的SUC(Susceptible–Unconfirmed–Confirmed)仓室模型框架,用于仅根据观测到的确诊病例时间序列C(t)推断隐藏的未确诊感染者U(t)及流行病学参数——传播率β、确诊率γ和初始未确诊人数U0。该模型引入易感者S(t)、未确证但具传染性感染者U(t)及确证病例C(t),满足S(t)+U(t)+C(t)=N,其中dS/dt=?β·S(t)U(t)/N,dU/dt=β·S(t)U(t)/N?γU(t),dC/dt=γU(t)。为克服传统单阶段PINNs联合优化导致的参数–轨迹耦合歧义与收敛不稳定问题,研究人员设计了两阶段训练策略:第一阶段仅用数据损失拟合C(t)使神经网络学到光滑可微轨迹,第二阶段解冻β、γ、U0并以复合损失(数据保真+物理残差+初值约束)联合优化。超参数(λphys, λIC)通过系统化网格搜索确定,并采用自举(Bootstrap)重采样进行参数不确定性量化。在含2%高斯噪声的合成数据(β=0.30 day?1, γ=0.10 day?1, Reff=β/γ=3.0)上验证参数恢复能力后,将方法应用于2021年4月25日至5月14日六个国家(印度、韩国、巴西、菲律宾、印尼、美国)的COVID-19日新增确证病例数据。结果表明最优物理正则化权重λphys跨国家变化达400倍(0.005–2.000),证明超参数须数据自适应选取;合成验证中所有真值落入自举95%置信区间,Reff估计误差6.9%;与经典常微分方程(ODE)拟合、多项式回归及Logistic增长曲线相比,基准方法虽获更低拟合误差(MAPE)但退化为Reff≈1或流行病学不合理值,无法区分异质流行病状态,而SUC-PINNs保持流行病学可解释性与跨国差异分辨力。研究强调物理正则化存在非单调"金发姑娘(Goldilocks)"效应:过弱致参数不稳定(识别崩溃),过强致过平滑偏倚,适中则兼顾稳定与精度,并给出实用推荐区间λphys∈[0.01,0.10]及危机场景λphys≈1.0。该方法为部分观测下流行病逆问题提供兼具机理约束与数据驱动优点的推断工具。
论文解读:基于物理信息神经网络的SUC仓室模型从部分观测确诊病例推断未确诊感染及流行病参数
研究背景与立题依据
传统流行病仓室模型(如SIR、SEIR)的参数反演通常需多类观测数据(疑似、确诊、死亡等)或依赖最小二乘类优化直接拟合常微分方程组,而在真实公共卫生监测中往往仅有确诊累计或日增病例C(t)可用,未确诊但具传染性感染者U(t)完全隐没。单纯数据驱动拟合虽可插值C(t),却无法唯一确定传播率β与确诊率γ,产生本质病态逆问题(ill-posed inverse problem)。物理信息神经网络(Physics-Informed Neural Networks, PINNs)通过在损失函数中嵌入微分方程残差将机理知识引入神经网络,近年已被尝试用于流行病建模,但标准单阶段PINNs同时优化网络权重与物理参数时常陷入参数–轨迹耦合歧义,导致收敛至伪解或无物理意义的局部极小。此外PINNs中物理正则化权重λphys多凭经验设定,缺乏针对异质真实流行病数据系统性选取原则及不确定性量化方案。因此有必要设计解耦训练协议、数据自适应超参数优选策略及严格bootstrap不确定性评估,验证PINNs能否从单一确诊序列可靠反推隐藏U(t)及β、γ、U0。
主要技术方法概要
研究人员构建三仓室SUC(Susceptible–Unconfirmed–Confirmed)模型,仅以日度确诊观测Cobs(tj)为输入,用全连接前馈神经网络Nθ: t?(S?(t), U?(t), C?(t))近似解轨迹,时间导数由自动微分(Automatic Differentiation)计算物理残差。采用两阶段训练(Two-stage Training):阶段一固定β、γ、U0初值仅最小化数据损失Ldata=MSE(C?(tj), Cobs(tj))令网络学光滑轨迹;阶段二解冻β、γ、U0并最小化Ltotal=λdataLdata+λphysLphysics+λinitLinit,其中Lphysics为SUC-ODE残差平方均值,Linit强制初值条件。λphys取9个值(0.002–2.0)、λIC取6个值(0.1–10.0)做54组合网格搜索,以兼顾拟合精度(MAPE)与参数稳定性(CV)的综合评分选优。合成验证用四阶Runge–Kutta解SUC方程(β=0.30 day?1, γ=0.10 day?1, U0=0.001N, Reff=3.0)加2%高斯噪声生成Cobs,真值已知便于参数恢复评价。实数据取自Johns Hopkins COVID-19库2021年4月25日–5月14日美、印、韩、巴、菲、印尼六国逐日确证病例经7天移动平均及人口归一化,bootstrap重采样n=200次量化不确定性,n=50次用于合成数据。
研究结果
4. Synthetic validation(合成数据验证)
通过数值生成已知参数的20天SUC轨迹加噪,经网格搜索与bootstrap筛选最优λphys=0.5, λIC=5.0。参数恢复结果:β?=0.328±0.066(真值0.300),γ?=0.127±0.043(真值0.100),U?0=0.00103±0.00001(真值0.001),R?eff=2.79±0.91(真值3.0);各真值均落入95% bootstrap CI,Reff点估计误差6.9%,β误差9.2%,γ误差26.9%。系数变异(CV) β为20.3%、γ为33.6%、U0为0.5%、Reff为32.6%,反映U(t)隐变量固有辨识度差异。说明SUC-PINNs可从部分带噪观测可靠恢复参数及重建隐藏U(t)趋势,宽CI如实表征逆问题本身的不确定性而非方法缺陷。
4.4. Physics regularization trade-offs(物理正则化权衡)
对比λphys=0.02(弱)、0.5(适中)、1.0(强):弱物理下单次运行看似可接受但bootstrap CV>80%(β-CV 82%, γ-CV 91%)表明识别崩溃(identifiability collapse);强物理CV压低(<30%)但γ高估38%、Reff偏29%呈系统偏差;适中λphys=0.5平衡二者得最低综合误差且稳定。证实物理正则化存在Goldilocks现象——不足致不稳定,过度引偏倚,中间值最优,且需依数据特性校准。
5. Real data applications(真实数据应用及数据自适应正则化)
合成最优λphys=0.5直接套用实数据致部分国家不稳或过平滑,故对六国独立做54组合网格搜索。结果最优λphys跨度400倍:菲律宾0.005、美国0.010、印尼0.050、巴西0.100、印度1.000、韩国2.000;λIC0.1–10.0。Reff估计均值3.13±0.24,跨国CV仅8%——Reff受正则化匹配后较一致,各国MAPE 0.12%–6.73%,参数CV 5%–132%。印度(CV=5%, MAPE=0.35%)为理想平衡区,韩国(CV=7%, MAPE=6.73%)为过强物理致过平滑区,菲律宾(CV=132%)为弱物理欠定区,美/印尼/巴西(CV 31%–38%, MAPE<1%)为实用平衡区。
5.5. The stability-regularization curve(稳定性–正则化曲线)
以六国Reff的CV对λphys绘曲线呈三区:λphys<0.01时高回报区(CV 132%→38%,3.5倍改善),0.01≤λphys≤0.10时中等回报(CV缓降至31%),λphys≥1.0时饱和;推荐大多数情形先试λphys∈[0.01,0.10],复杂危机数据可用λphys≈1.0,避免λphys>2.0以防过平滑偏倚。
5.8. Benchmark comparison(基准方法对比)
与经典ODE非线性最小二乘拟合、2–4次多项式回归及Logistic增长曲线比较:基准方法MAPE全面低于PINNs(部分达0.01%),但ODE与多项式拟合得Reff≈1.00–1.10六国几无差别,韩国ODE甚至得Reff=0.47(与第四波激增矛盾),说明纯曲线拟合压缩了传播动力学差异、丧失流行病学辨识力;SUC-PINNs虽牺牲少许拟合精度但保留Reff跨国区分度(2.70–6.18)及合理不确定性区间,是唯一同时给出现象学拟合与机理解释的方法。
讨论与结论翻译
研究表明物理信息SUC模型超参数须数据自适应选取,网格搜索结合bootstrap稳定性筛选可有效定位最优配置;物理正则化权重存在非单调稳定性–精度权衡,适中强度防识别崩溃又避过平滑;弱正则致参数不确定爆炸,过强致系统偏倚。本方法经合成已知真值验证具备参数恢复力,应用于六国COVID-19数据展现跨国异质正则化需求及合理Reff推断。推荐实践:先做数据集专属网格搜索,优先试λphys∈[0.01,0.10],危机噪声大时可升至≈1.0,必配bootstrap(n≥200)不确定性报告,避免λphys>2.0除非模型已扩展时变参数。两阶段解耦训练、系统超参优化及bootstrap量化系可迁移至其他病理/生态逆问题的PINNs应用。该工作发表于《Healthcare Analytics》。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号