带分数阶的流行病建模与深度神经网络框架

这项研究为何与所有人相关

当一种新的传染病出现时，卫生官员会急于回答几个紧迫问题：它会传播得有多快，需要多少人接受治疗，以及何种防护与治疗组合能将其控制住？本研究构建了一个更现实的数学视角来观察此类暴发，该视角保留过去发生的事件记忆，并利用先进的人工智能追踪感染如何在社区中传播。

跟踪人群的疾病阶段

作者将人口分为四个简单群体：易感者、当前患病且具有传染性的人、正在接受治疗的人以及已康复并获得暂时免疫的人。随着感染、接受护理或康复，人会在这些组别之间流动。模型还考虑到卫生系统可能承受压力，因此当病例数上升时，感染或治疗的概率不会无限增长。相反，模型允许感染和治疗“饱和”，反映出在诊所拥挤或大量人员患病时行为的变化。

让暴发记住过去

大多数传统的暴发模型假定只有当前情形起作用，像是一张在单一时刻拍摄的快照。本工作则采用一种“分数阶”的变化描述，允许系统保留某种记忆。既往的感染和治疗水平会持续影响现在和未来的动态。这种记忆可以减缓或加速疾病消退或进入长期存在的速率。通过分析该模型，研究者识别出两种关键模式：一种是疾病最终消失，另一种是疾病在稳态下持续存在，伴随持续的新感染与治疗。

寻找控制的临界点

任何流行病研究中的核心数值是基本再生数，它估计在大部分人未受保护的情况下，一个病人会导致多少新感染。作者为他们的基于记忆的模型推导出这一阈值，并展示其如何依赖于感染率、自然康复、死亡和治疗成功率。如果该数值保持在一以下，无疾病状态是稳定的：感染会随时间消失。如果它升至一以上，系统则趋向地方性流行状态，即感染成为日常的一部分。该研究还提供了数学判据，确认在记忆效应作用下何时每种结果是稳定的。

将深度学习作为快速求解器

因为带记忆的方程难以直接求解，团队首先使用专门的数值方法来处理依赖过去的系统。然后他们训练一个经过贝叶斯正则化调优的深度神经网络来模拟这些详尽的计算。一旦训练完成，该网络可以快速再现不同记忆水平下完整模型的行为，成为重复模拟时的快速替代。通过误差图、回归分析和函数拟合的严格检验表明，神经网络在所有测试场景中都能紧密跟踪数值结果。

研究结果的通俗含义

总体而言，这项工作表明，将既往感染与治疗的“记忆”纳入模型会显著改变流行病上升、衰退或进入长期模式的方式。它还证明了经过良好训练的深度神经网络在探索这些复杂行为时，能够可靠地替代较慢的数值方法。尽管该研究并不提供直接的医疗建议，但它为思考疾病历史、治疗延迟与资源有限如何相互作用提供了更细致的框架，帮助研究者和决策者更好地探讨哪些策略可能将暴发引向最终衰退，而非持续存在。

引用: Jangir, P., Agarwal, G. & Nisar, K.S. Fractional-order epidemic modeling with a deep neural network framework. Sci Rep 16, 15025 (2026). https://doi.org/10.1038/s41598-026-37775-6

关键词: 流行病建模, 分数阶微积分, 传染病, 深度神经网络, 贝叶斯正则化