DengueGNN：基于图的深度学习用于建模疾病传播动力学与预测

为何追踪登革热暴发变得更智能

登革热由蚊子传播，随着城市扩张、人员流动增加与气候变化，其在全球范围内呈上升趋势。卫生机构需要提前数周知道病例何处会激增，以便喷洒杀虫剂、准备医院并提醒社区。本文提出了一个新的人工智能框架，将世界视为相互连接的区域网络，学习登革热如何随时间在该网络中传播，旨在提供更早、更可靠的暴发预警。

把地点看作一个互联网络

研究者首先将地理想象为一个动态网络。每个区域或行政区成为一个“节点”，节点间的连边表示登革热传播的便利性，无论是通过相邻边界还是通过通勤和出行等人类移动。模型使用人口、地点间距离和人们可能的移动方式等信息不断更新该网络，以便连接强弱可随条件变化而调整。此外，每个节点还携带局部数据，例如近期登革热病例、温度、降雨量和人口密度，为模型提供关于人群居住与蚊虫繁衍状况的丰富图景。

沿时间追踪疾病模式

预测暴发不仅关乎疾病可能去往何处，也关乎何时发生。该框架采用适合时间序列的深度学习方法，跟踪各区域病例数周度的升降。注意力机制帮助系统关注过去中最关键的时刻，例如近期激增或季节性高峰，而不是将所有周视为同等重要。通过将不断演化的区域网络与这些时间感知的模式结合，模型可以学习感染波如何从一地蔓延至另一地，以及气候与流动如何塑造这种传播。

融合气象、流动与历史数据

该方法的一大优势在于如何融合不同类型的信息。对于每个区域，系统将学习到的时间模式与温度、降雨等环境因素及人类流动指标合并。该混合表示随后用于预测未来一周、两周或四周内可能出现的登革热病例数。模型还对自身不确定性进行估计，不仅给出单一数值，还提供可能结果的区间，这对谨慎的公共卫生规划至关重要。

用真实世界数据进行检验

为检验该框架的有效性，作者利用 OpenDengue，这是一个覆盖多国多年代周度登革热病例的全球数据库，并配套气候与流动数据。他们将该方法与十种广泛使用的预测方法进行了比较，范围涵盖经典统计工具到现代深度学习模型。无论是短期（一周）还是中期（四周）预测，他们的系统持续产生更低的误差并更好地匹配真实暴发的地理聚集特征。该系统在追踪从平静期到季节性波动再到突发极端峰值的转变时尤其有效，表明动态网络与注意力机制在条件变化时有助于模型适应。

使预测可理解且可用

由于公共卫生决策需要信任，作者为模型添加了可解释工具。一种技术突出显示网络中哪些区域和连接最强烈地驱动预测，标出可能的热点和重要的出行路线。另一种方法对输入因素（如降雨、温度和流动）按其对预测病例数的影响程度进行排序。这些解释显示，人类流动其影响最大，其次是气候条件。团队还通过选择性移除模型部分进行受控测试：将动态网络改为固定网络、去掉注意力机制或忽略流动信息都会明显降低预测性能，证实每个部分都增加了价值。

对日常健康防护的意义

对非专业人士来说，结论是该框架提供了一种更智能、更透明的方式来预测区域级别的登革热激增。通过将城市和行政区视为互联网络并学习天气、流动与既往病例如何交互，系统能给出既准确又可解释的多周展望。卫生机构可以利用这些预测来有针对性地控制蚊虫、安排医院人手并在暴发加剧前警示社区，从而可能减少疾病并节约资源。未来工作可纳入更多本地细节，如蚊虫丰度和社会条件，并进一步优化以满足实时使用需求，但本研究表明基于图的深度学习能够切实改善我们观察与应对登革热传播的方式。

引用: GulMohamed, R.B., Hetany, W., Almaimani, H.A. et al. DengueGNN: Graph-based deep learning for modeling disease spread dynamics and prediction. Sci Rep 16, 10584 (2026). https://doi.org/10.1038/s41598-026-43073-y

关键词: 登革热预测, 疾病传播建模, 图神经网络, 人类流动, 气候与健康