登革热自动检测与预测:2013年至2025年的系统综述
《Engineering Applications of Artificial Intelligence》:Automated detection and prediction of dengue fever: A systematic review from 2013 to 2025
【字体:
大
中
小
】
时间:2026年07月08日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
斯里尼·查达拉瓦达|阿迪蒂亚·普拉巴卡拉·卡马特|阿卜杜勒卡迪尔·森古尔|特贾斯里·亚拉拉加达|谭如珊|爱德华·J·恰乔|阿莎·马修|拉维内什·德奥|普拉巴尔·达塔·巴鲁阿|阿卜杜勒·哈菲兹-贝格|拉金德拉·阿查里亚
澳大利亚昆士兰大学南昆士兰工程学院,斯普林菲尔德,4300
斯里尼·查达拉瓦达|阿迪蒂亚·普拉巴卡拉·卡马特|阿卜杜勒卡迪尔·森古尔|特贾斯里·亚拉拉加达|谭如珊|爱德华·J·恰乔|阿莎·马修|拉维内什·德奥|普拉巴尔·达塔·巴鲁阿|阿卜杜勒·哈菲兹-贝格|拉金德拉·阿查里亚
澳大利亚昆士兰大学南昆士兰工程学院,斯普林菲尔德,4300
摘要
及时诊断和预测登革热病例有助于控制其传播,减轻其对公共健康的负面影响。人工智能领域的最新进展使得人们能够运用自动化方法来诊断、预测、分类、监测并评估登革热的风险。目前,在登革热研究中,许多机器学习及深度学习算法被用于分析患者数据、疾病爆发情况、环境数据、空间信息以及图像数据。不过,在数据质量、类别不平衡、验证方法、可解释性、可重复性以及这些算法的实际应用等方面仍存在诸多问题。本综述基于2013年至2025年间的相关文献,总结了机器学习与深度学习算法在登革热诊断、预测、分类及风险评估中的应用情况。该综述遵循系统评价和元分析的优先报告项目标准,从IEEE Xplore、Scopus、Web of Science和PubMed等数据库中筛选相关文章。文中介绍了机器学习与深度学习在登革热研究中的具体应用场景,包括所使用的数据类型、验证技术、方法的局限性以及实际性能表现。研究结果表明,随机森林和极端梯度提升算法常被用于预测和分类登革热疫情,而卷积神经网络和长短期记忆算法则在识别图像及进行时间序列预测方面展现出巨大潜力。不过,由于不同研究在数据集、目标变量、类别不平衡、数据预处理及验证方法上存在显著差异,因此需要谨慎选择评估指标。
引言
登革热是一种由病毒引发、通过伊蚊传播的传染病(CDC登革热网站)。天气状况、城市发展以及积水等因素为蚊子繁殖提供了条件,进而增加了感染风险(泛美卫生组织;Tran等人,2024a)。登革热患者的症状差异很大,可从轻微发热到伴有出血和血管渗漏的严重病症不等。登革热病例可分为两类:普通登革热(有或无预警症状)和重症登革热。在以往的文献中,人们常用登革出血热和登革休克综合征等术语来描述该病的严重形式(世界卫生组织)。全球每年都有数百万人患上登革热(世界卫生组织)。仅在2024年,美洲地区的登革热感染人数就创下了历史新高,约有1300万例病例,其中8000多人死于重症登革热(泛美卫生组织)。
登革热的临床评估需要详细询问病史,腹痛、持续呕吐、黏膜出血以及意识模糊等症状可能表明病情严重。体格检查应包括测量生命体征和评估体液平衡。针对登革热的实验室检测包括:用酶联免疫吸附试验检测非结构蛋白1抗原,用聚合酶链反应检测早期病例中的病毒RNA,以及在急性期和恢复期分别检测血清IgM和IgG抗体。实验室检查还应包括基础全血细胞计数,并持续监测红细胞压积和血小板计数,同时检测凝血功能、肾功能、电解质水平以及肝酶含量。红细胞压积升高和血小板减少可能与毛细血管渗漏和凝血功能障碍等病理过程有关,这些情况可能导致休克、呼吸衰竭和器官功能障碍等并发症(Thanh等人,2024)。影像学检查有助于发现毛细血管渗漏的早期迹象,如胆囊壁增厚、腹水以及胸腔积液。虽然许多患者通过对症治疗即可康复,但重症登革热患者可能需要动态监测血流动力学、静脉补液,有时还需接受包括机械通气在内的重症监护治疗(Thanh等人,2024;Tuan等人,2015)。
机器学习与深度学习方法可为登革热的临床管理提供支持,尤其是在早期诊断和风险分层方面。基于常规住院数据的早期机器学习模型已能区分登革热与其他发热性疾病。在缺乏先进实验室条件的机构中,通过分析外周血涂片中的血小板和淋巴细胞形态来进行的图像处理技术,可辅助诊断工作(Mayrose等人,2023)。通过大规模数据集得出的风险评分,可用于识别那些可能出现不良预后或重症登革热的患者(Tran等人,2024a;Thanh等人,2024;Tuan等人,2015;Madewell等人,2025)。这类模型通常会利用发热持续时间、红细胞压积、血小板计数以及肝酶水平等临床指标(Tuan等人,2015;Madewell等人,2025;M等人,2024)。
在临床数据集上应用预测模型,可识别出那些更有可能出现并发症的住院患者,这些并发症包括休克、急性呼吸窘迫综合征以及器官功能障碍。这类预测模型有助于提前给予液体治疗,并对患者进行更密切的监测(Thanh等人,2024;Madewell等人,2025;Tran等人,2024b)。此外,还有一些基于分子特征的模型,可用于研究病毒基因型与疾病严重程度之间的关系(T等人,2022)。从流行病学角度来看,利用与天气相关的环境因素及遥感数据构建的时空模型,可用于疾病监测和媒介控制(Anno等人,2024;Z等人,2024)。不过,与大多数人工智能模型一样,其性能在很大程度上取决于输入数据的质量,而且不同地区的表现可能存在很大差异。与医学领域的大多数人工智能应用一样,外部验证和快速计算速度也至关重要(PK. R D,2025)。
在设计人工智能模型时,不同的方法取决于可用数据类型以及模型的应用场景。逻辑回归算法可作为简单比较的基准方法。如果所用数据的特征空间相对较小,那么支持向量机模型通常会被用来预测发病率和患病率等风险指标(Nadda等人,2022;Buczak等人,2018)。对于短期风险预测,长短期记忆类循环模型更为合适,因为它们能够考虑多变量时间序列中的滞后结构和季节性特征。在涉及表格数据及人工构造的滞后变量的环境应用中,通常会采用集成分类器,其中随机森林及其类似的提升模型表现出很好的效果(Riya等人,2024;Vu等人,2023;Ming等人,2022;Santos等人,2023;Nadda等人,2022)。时空分类方法则结合气候、地形以及社会经济因素,来确定需要采取干预措施的高风险区域(Roster等人,2022)。在图像分类方面,可通过训练有素的卷积神经网络,对昆虫目标及其生存环境进行分类,同时也可结合基于案例的算法使用(Io等人,2025)。还有些研究采用了混合/堆叠式分析流程,这类方法能有效应对疫情高峰,同时处理零膨胀问题以及季节性特征(Adhane等人,2021;Mumtaz等人,2024)。除了传统的卷积神经网络和循环模型之外,近期关于智能康复的研究表明,三维空间中的图深度学习模型以及点云模型,也可用于实现复杂的交互功能,比如与视觉、手部分割以及非接触式手势相关的功能(Xing等人,2025a,2025b)。尽管这种方法在登革热研究中的应用还较为有限,但它展示了图深度学习及多模态深度学习架构在登革热相关项目中的潜在应用价值。
本综述汇总了2013年至2025年间发表的关于登革热研究的机器学习与深度学习相关成果。这些研究涵盖了多个领域,包括早期诊断自动化、病情严重程度评估、短期疫情预测以及空间风险地图绘制。具体而言,本综述旨在回答以下问题:
•哪些机器学习与深度学习模型被用于登革热的早期诊断、病情分类、疫情预测以及热点区域识别?
•针对这些任务,有哪些性能指标被报道?不同数据类型和不同时间跨度下,如何对这些模型进行评估?
•在外部验证或时空测试等更严格的验证策略下,哪些方法表现最为可靠?
•用于训练和评估模型的数据集是什么?最常被采用的公共资源有哪些?
•在实际应用中,每种任务最常与哪种数据类型结合使用?
•现有研究存在哪些主要局限性,包括目标定义、数据泄漏控制、模型校准以及泛化能力等方面的问题?
•有哪些实用建议,可以提高模型的稳健性、透明度以及实际应用准备度?
本综述的创新之处不仅在于涵盖了近年来的相关研究,更在于它以任务为导向,系统总结了登革热研究在数据类型、验证方法、性能评估、可重复性以及实际应用挑战等方面的现状。本综述的主要贡献如下:
•提供了一种针对特定任务的系统性方法总结,将登革热相关的机器学习/深度学习应用领域与其对应的数据类型、验证策略、可重复性限制以及实施难题联系起来。
•通过与建模任务、数据类型、决策场景、验证流程以及评估指标之间的直接关联,清晰地区分了以往的各类系统评价和综述文献。
•根据不同任务的特点来解读模型性能,避免了在不同应用场景中对各种方法进行不恰当的排名。
•概述了登革热相关人工智能研究中常见的数据集、地理环境、数据类型以及可重复性方面的问题。
•提出了关于目标定义、预测时间范围选择、数据泄漏预防、模型校准以及不确定性沟通等方面的实用建议。
•提出了一个着眼于外部验证、模型泛化能力、可解释性、伦理考量、实际应用以及模型部署的研究规划。
相关综述
已有不少关于人工智能在登革热研究中所应用的综述文章发表(见图1)。早期的综述主要探讨了传统机器学习模型在登革热监测中的应用,这些模型利用流行病学和气候数据,通过回归分析和基于树的模型来预测病例数量。温度、降雨量以及湿度等气象因素一直被认为会影响模型的性能(A等人,2024;Fang等人,2024;D等人,2023;Baharom等人,2022)。然而,……
综述方法
本系统综述将对2013年以来发表的、关于机器学习与深度学习方法在登革热预测、分类、诊断及监测中的应用方面的科学文献进行全面且系统的梳理。遵循PRISMA指南,可确保在数据收集、筛选和分析过程中保持方法上的客观性。本综述共涵盖了四类任务:(1)利用实验室和临床检测结果进行早期诊断;(2)评估病情严重程度;……
结果
为了便于不同应用场景下对登革热相关机器学习与深度学习模型的性能进行理解,本研究将结果按任务类别进行整理。所提及的性能指标均为对实际检测值的描述性统计,不能作为各方法之间的综合排名或比较依据。由于登革热识别、病情严重程度预测、疫情预测、空间风险地图绘制、图像检测以及药物发现属于不同的任务,因此各任务的结果也各有差异。……
数据局限性与质量问题
在登革热研究中,机器学习与深度学习模型在很大程度上依赖于数据的质量、一致性以及获取的便捷性,而这些方面在许多疫区仍存在显著问题。目前大部分可用数据集均为地方性或省级数据集,其在格式、完整性以及数据报告质量方面存在很大差异。这种不一致性使得不同研究之间难以进行公平比较,也会降低整体模型的可靠性。例如,Kuo等人(Y等人,2024b)以及Appice等人(2020)指出,由于……
结论
本系统综述汇总了2013年至2025年间十余年来关于机器学习与深度学习算法在登革热诊断、预测、分类及监测方面应用的各类研究成果。通过对现有文献的分析可知,疫情预测相关研究是数量最多的研究类型,其次是疾病检测与分类研究,而人工智能在药物发现和抗病毒药物设计方面的应用则相对较少。总体而言,……
CRediT作者贡献声明
斯里尼·查达拉瓦达:方法学、原始稿件撰写。阿迪蒂亚·普拉巴卡拉·卡马特:方法学、软件工具、验证分析、可视化处理、原始稿件撰写。阿卜杜勒卡迪尔·森古尔:数据收集、方法学、软件工具、可视化处理、原始稿件撰写。特贾斯里·亚拉拉加达:验证分析、可视化处理、综述与编辑工作。谭如珊:综述与编辑工作。爱德华·J·恰乔:验证分析、综述与编辑工作。阿莎·马修:原始稿件撰写、综述与编辑工作。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
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