人工智能（AI）在预测病原体的出现和传播方面取得了显著进展。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。
如何在医疗保健中使用AI？
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。许多基于AI的应用程序已经开发出来，用于支持人类健康，包括患者诊断、医生决策支持和个体疾病风险预测。然而，AI在传染病流行病学中的应用相对较少，这可能是因为难以获得大规模、标准化和有代表性的数据，这些数据对于训练和评估具有可变参数的AI或机器学习（ML）模型至关重要。
尽管如此，新的AI模型在用较小的数据量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应用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，了解疾病的严重程度和病原体的流行潜力至关重要。由于真正的事件顺序和最初感染地点往往不确定，研究人员通常难以从观察数据中估算潜伏期和传播强度。
贝叶斯数据增强方法在改进参数推理方面发挥了重要作用。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，从而为理解个体传播异质性和群体层面结果之间的潜在关联创造更多机会。
图神经网络（GNN）是一种有前途的AI系统，可以改进对传染病动力学的理解和准确预测。最近，GNN模型成功预测了各地区的新冠病毒（COVID-19）病例和流感样疾病率。
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、传播性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，从而提供了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，政策决策通常是基于当前病例数估计和未来病例预测。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。
在新冠疫情期间，研究人员大大加快了开发更标准和严谨模型的进程，使政策制定者能够做出适当的公共卫生决策。来自大型深度神经网络的基础模型是一种强大的方法，用于探索和阐明时间序列监测数据。
新的机器学习（ML）和AI方法大大减少了运行流行病学模型分析复杂情景及其统计不确定性所需的时间。大型语言模型（LLMs）提供了针对决策者偏好的个性化复杂定量模型摘要。
AI工具的成功和适当使用取决于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，以确保AI模型的广泛可访问性。
局限性和建议
目前的AI模型往往无法提供对传播过程的机制性见解，缺乏超出先前观察数据和情景的预测能力，并且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集成到更通用的基础模型中来开发AI传染病助手。
AI在公共卫生活动中的潜在益处取决于代表性数据的可用性和可访问性。为成功应用AI于流行病学，必须建立一个坚实的数据存储和共享伦理框架。
新冠大流行之后，大量数据可用于训练新型AI模型。然而，传染病的常规监测数据仍然无法为更广泛的社区所用，这阻碍了改进疾病建模系统的开发。
AI模型的限制性应用归因于高昂的训练成本。强大的数据透明度和道德共享对于开发更准确的新模型并降低成本至关重要。
(全文结束)
