人工智能（AI）显著提高了病原体出现和传播的可预测性。最近发表在《自然》杂志上的一项研究表明，这项技术的成功依赖于数据透明度和降低训练成本。
AI在医疗保健中的应用
传染病流行病学关注的是传染病在人群中的出现和传播，以及预防、控制和减轻疾病爆发的策略。目前，许多基于AI的应用程序已经开发出来支持人类健康，包括患者诊断、医生决策支持和个人层面的疾病风险预测。然而，AI在传染病流行病学中的应用相对较少，这可能是由于获取大规模、标准化和代表性数据的挑战，这些数据对于训练和评估具有不同参数的AI或机器学习（ML）模型至关重要。
尽管如此，新的AI模型即使在使用少量数据进行训练时也表现出更高的能力，从而能够回答流行病学问题。
AI在传染病流行病学中的潜力
在任何传染病爆发的早期阶段，了解疾病的严重性和病原体的流行潜力至关重要。由于事件的真实顺序和最初感染地点往往不确定，研究人员在从观察数据中估计潜伏期和传播强度时常常遇到困难。
贝叶斯数据增强方法对改进参数推理非常有价值。此外，将AI集成到贝叶斯数据增强方法中显著提高了模型的可扩展性和推理能力。
传统的机制性和半机制性疾病传播模型提供了关于病毒传播的重要见解，并用于开发反事实情景。然而，这些模型涉及大量的计算成本，部分原因是数值方法和高维参数空间中的推理复杂性。
最近的AI建模进展通过使用变分推理加速了推理过程，从而增强了模型的复杂性和现实性。AI加速的方法有可能将模型运行时间从几周缩短到几小时，从而提供更多机会来理解个体传播异质性与群体水平结果之间的潜在关联。
图神经网络（GNN）是一种有前途的AI系统，可以改善对传染病动态的理解和准确预测。最近，GNN模型成功预测了2019冠状病毒病（COVID-19）各地区的病例数和流感样疾病率。
AI模型还应用于基因组数据，以阐明病毒谱系、病毒起源、致病性、传播能力和病原体逃避免疫反应的潜力。这些模型提高了系统发育推断的准确性，从而提供对感染过程的精确描述。
AI如何帮助政策制定者做出公共卫生决策
在传染病流行期间，政策决策通常基于当前病例数的估计和未来病例的预测。重要的是，流行病监测数据几乎总是受到报告、检测和抽样偏差的影响。
在COVID-19大流行期间，研究人员显著加快了开发更标准化和严格的模型的进展，使政策制定者能够做出适当的公共卫生决策。大型深度神经网络的基础模型是探索和阐明时间序列监测数据的强大方法。
新的机器学习（ML）和AI方法大幅减少了运行流行病学模型分析复杂场景及其统计不确定性所需的时间。大型语言模型（LLMs）根据决策者的偏好提供复杂定量模型的个性化摘要。
成功和适当使用AI工具取决于对关键伦理挑战的仔细分析和解决。例如，用于大流行准备和预防的AI工具主要依赖于公平的数据收集、存储和共享实践，这确保了AI模型的广泛可访问性。
局限性和建议
当前的AI模型往往无法提供对传播过程的机制性见解，缺乏超越先前观察数据和情景的预测能力，也无法传达关键的流行病学问题和概念。未来，可以通过将单任务模型整合到更通用的基础模型中，开发出一个AI-传染病助手。
AI在公共卫生中的潜在利益取决于代表性数据的可用性和可访问性。建立用于存储和共享数据的坚实伦理框架对于AI在流行病学中的成功应用至关重要。
COVID-19大流行之后，可用于训练新型AI模型的数据显著增加。然而，传染病的常规监测数据仍然对更广泛的社区不可访问，这阻碍了改进疾病建模系统的开发。
AI模型的应用受限于高昂的训练成本。稳健的数据透明度和道德共享对于以较低成本开发高度准确的新模型至关重要。
(全文结束)
