综述：人工智能在流行病建模与大流行病准备中的应用：综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Artificial Intelligence in Epidemic Modeling and Pandemic Preparedness: A Comprehensive Review

人工智能在传染病建模中的应用与挑战

　　

摘要

人工智能（AI）已成为模拟传染病流行的一个变革性工具，在预测、监测和干预设计方面提供了前所未有的能力。本文综述了AI在应对COVID-19、埃博拉和寨卡等全球健康挑战中的作用，强调了其整合多模态数据（基因组、移动性和行为数据）以获取实时流行病情报的潜力。作者系统地探讨了AI在关键计算领域的进展，包括：（1）使用贝叶斯推断和深度生成模型进行流行病学参数估计（如基本再生数R?、感染死亡率IFR）；（2）通过集成学习、长短期记忆网络和基于Transformer的架构进行预测；（3）采用混合方法（SIR（易感者、感染者、康复者）/SEIR（易感者、暴露者、感染者、康复者）、基于代理的模型和图神经网络）进行疾病传播建模；（4）利用AlphaFold进行蛋白质折叠分析以及免疫逃逸预测。AI还提升了政策模拟（强化学习、数字孪生）和公共卫生沟通（利用自然语言处理追踪错误信息）的能力。然而，仍存在一些挑战，如数据偏见、模型可解释性以及资源匮乏环境中的不公平应用。作者倡导建立一个综合的计算生态系统，强调开放科学（FAIR数据：可发现、可访问、可互操作和可重用）和跨学科合作的重要性，以提高模型的泛化能力和公平性。建议包括融入生物学真实性、标准化评估标准以及优先考虑具有公平意识的AI应用。这一综述突显了AI在革新大流行病应对准备方面的潜力，同时呼吁实现道德、可扩展和包容性的应用方式，这些应用应基于坚实的计算框架和实证验证。

图形摘要

人工智能（AI）已成为模拟传染病流行的一个变革性工具，在预测、监测和干预设计方面提供了前所未有的能力。本文综述了AI在应对COVID-19、埃博拉和寨卡等全球健康挑战中的作用，强调了其整合多模态数据（基因组、移动性和行为数据）以获取实时流行病情报的潜力。作者系统地探讨了AI在关键计算领域的进展，包括：（1）使用贝叶斯推断和深度生成模型进行流行病学参数估计（如基本再生数R?、感染死亡率IFR）；（2）通过集成学习、长短期记忆网络和基于Transformer的架构进行预测；（3）采用混合方法（SIR（易感者、感染者、康复者）/SEIR（易感者、暴露者、感染者、康复者）、基于代理的模型和图神经网络）进行疾病传播建模；（4）利用AlphaFold进行蛋白质折叠分析以及免疫逃逸预测。AI还提升了政策模拟（强化学习、数字孪生）和公共卫生沟通（利用自然语言处理追踪错误信息）的能力。然而，仍存在一些挑战，如数据偏见、模型可解释性以及资源匮乏环境中的不公平应用。作者倡导建立一个综合的计算生态系统，强调开放科学（FAIR数据：可发现、可访问、可互操作和可重用）和跨学科合作的重要性，以提高模型的泛化能力和公平性。建议包括融入生物学真实性、标准化评估标准以及优先考虑具有公平意识的AI应用。这一综述突显了AI在革新大流行病应对准备方面的潜力，同时呼吁实现道德、可扩展和包容性的应用方式，这些应用应基于坚实的计算框架和实证验证。

图形摘要