本文研究人口流动对COVID-19传播的影响，并利用图形表示学习领域的最新进展来捕捉其潜在动态。我们创建了一张图表，其中节点对应于一个国家的地区，边缘权重表示从一个区域到另一个区域的人类流动。我们使用图神经网络来预测未来案例的数量，并通过异步爆发和元学习的方法，将一个国家的模型的知识转移到另一个国家的模型上。实验结果证明了我们方法的优越性。

Sep, 2020

本文提出了一种名为CALI-Net的神经转移学习框架，可以将历史流感预测模型应用于与COVID-19共存的新场景中，成功实现对疫情的有效预测。

Sep, 2020

本研究旨在应用不确定性估计方法，以优化COVID-19的计算机诊断技术，并通过与医学专业人士的合作，验证该方法在临床实践中的可行性。

Apr, 2021

本文提出了一种基于概率贝叶斯方法的神经网络预测置信度校准方案，最大化置信度期望效用，用最大置信度校准误差度量预测的置信度和错误之间的关系，并在COVID-19诊断中测试取得了显著的效果。

Jun, 2022

本研究使用一组群体模型和机器学习模型来预测COVID-19疫情的近期趋势，结合病例、疫苗接种、人类流动和天气等数据，通过调整Gompertz、Logistic、Richards和Bertalanffy等经典人口模型和机器学习模型进行预测。该研究认为，对这两类模型进行集成能够提高预测的精度和鲁棒性，并可用于缺乏相关数据的情况下。

Jul, 2022

利用 Covid-19 的数据集，使用预测性分析来评估更复杂的预测模型的效能潜力，包括使用具有不同预测范围的神经网络。该研究提出了一种基于地区数据的不同类型的预测方法的一致性比较研究的结果，它与 Exponential Smoothing、机器学习模型和LSTM等进行了比较，并且LSTM表现出了最佳的效果。该研究对美国和俄罗斯进行了评估，并使用 MAPE 指标进行评估。

Jul, 2022

本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的COVID-19爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

Jul, 2023

本研究探讨了在 COVID-19 疫情期间以及疫情过去后，使用人工智能模型预测死亡率的性能、可解释性和鲁棒性。作为首个这样的研究，我们发现贝叶斯神经网络（BNNs）和智能训练技术使我们的模型能够在数据变动明显的情况下保持性能。我们的结果强调了开发能够在具有挑战性条件下与临床医生预测相匹配或超越的鲁棒人工智能模型的重要性。我们对模型可解释性的探索表明，随机数模型生成了更多样化和个性化的解释，从而突显出在实际临床环境中提供详细和个性化见解的人工智能模型的需求。此外，我们强调了量化人工智能模型的不确定性的重要性，这使得临床医生能够基于可靠的预测做出更加明智的决策。我们的研究倡导将实施科学优先纳入医疗人工智能研究，并确保人工智能解决方案在实际临床环境中具有实用性、益处和可持续性。通过解决医疗环境中的独特挑战和复杂性，研究人员能够开发有效改进临床实践和患者预后的人工智能模型。

Nov, 2023

本研究针对COVID-19疫情中早期检测的挑战，探讨了多种先进机器学习模型在预测感染概率中的有效性。研究发现，深度神经网络（DNN）在准确性和召回率方面表现优异，准确率达到89%。这一结果强调了深度学习方法在提高疫情早期识别效率中的重要作用。

Aug, 2024

本研究针对传染病流行预测模型的准确性挑战，提出了基于神经网络的两种方法框架，并结合不确定性估计。通过对美国流感样疾病的预测，最佳模型实现了平均绝对误差降低10.3%和技能提升17.1%，显示出与传统方法相比的显著优势。此外，研究还探索了神经常微分方程与传统机制模型的结合，展示了新的预测潜力。

Sep, 2024