編輯丨王多魚

排版丨水成文

新冠大流行期間，一份實時更新 的“全球新冠疫情數據可視化地圖”火遍全球，該疫情地圖 通過結合自動化數據采集與人工審核機制，成為全球多個國家政府、媒體引用最廣泛的疫情追蹤系統之一，單日訪問量一度高達 20 億。

這一地圖的開發者是約翰·霍普金斯大學的兩位中國留學生——董恩盛、杜鴻儒。

近日，杜鴻儒作為第一作者，在 Nature 子刊Nature Computational Science上發表了題為：Advancing real-time infectious disease forecasting using large language models 的研究論文。

該研究開發了一款多模態大型語言模型——PandemicLLM，通過融合多模態信息（包括文本形式的公共衛生政策以及基因組監測、空間和流行病學時間序列數據），采用人工智能與人類協作的提示詞設計，來實時預測疾病傳播。研究團隊將該模型應用于美國的 COVID-19 疫情，預測性能顯著優于現有模型。

該研究讓大語言模型（LLM）化身疫情預報員，成功突破傳統模型瓶頸，不僅能看懂政策文本、基因報告，還能提前 3 周預警疫情反撲，這項研究或將重塑公共衛生決策模式。

傳統模型的“致命短板”

論文開篇直指現有疫情預測模型的四大痛點：

1、數據盲區：傳統模型只能處理數字（例如病例數），對政策文本、病毒基因特征等關鍵信息“視而不見”；

2、變種響應慢：當奧密克戎新亞型 BQ.1 出現時，傳統模型需重新訓練，錯過黃金預警期；

3、結果難解讀：復雜的置信區間讓決策者難以快速判斷風險等級；

4、轉折點誤判：三分之二的模型曾在疫情拐點預測中失誤。

革命性突破：把疫情預測變成“文本推理題”

該團隊開發的 PandemicLLM 框架，創造性地實現三大突破：

1、多模態數據“翻譯官”，通過 AI-人類協作提示詞，將四類異構數據轉化為模型能理解的“語言”：

• 政策文本 → 提煉防控力度變化（例如“學校從強制關閉轉為建議關閉”）；

• 基因監測 → 解析病毒特性（例如“BQ.1 變種傳播力比 BA.5 高 40%”）；

• 時空數據 → 轉化為排名描述（例如“加州老年人口比例全美前五”）；

• 時間序列 → 用 GRU 神經網絡編碼關鍵趨勢。

2、首創“五級趨勢分類法”，摒棄易受數據干擾的數值預測，采用疾控中心認可的住院趨勢五級分類：大幅下降、溫和下降、穩定、溫和上升、大幅上升，讓決策者一眼可知風險等級。

3、“零樣本”應對新變種，當 BQ.1 變種出現時，無需重新訓練模型，只需在提示詞中添加其特性描述：BQ.1 是奧密克戎亞型，對免疫逃逸能力增強，預計兩周內成為主流毒株。模型立即響應，預測準確率提升 28.2%。

PandemicLLM 的疫情數據流和處理流程概述

人工智能與人類協作提示詞設計概要

實戰表現：全美大考

在覆蓋全美 50 個州、長達 19 個月的測試中，PandemicLLM 的表現：

1、精度碾壓傳統模型

• 1 周預測準確率 56%（比最優傳統模型高20%）；

• 3 周預測準確率 46.4%（誤差率降低22%）；

• 模型規模越大表現越好：700 億參數版本準確率達 57.1%。

2、置信度=可信度

• 當模型對“大幅上升”的判斷置信度＞85% 時，實際發生概率高達 73%（1周）和 64%（3周）。

3、地域適應性

在疫情趨勢一致的西部沿海、五大湖區表現最佳，而在政策多變的懷俄明州等地區仍有優化空間，因此，團隊建議開發區域定制模型。

總的來說，這項研究不僅破解了多模態數據融合的難題，更開創了 AI 輔助公共衛生決策的新范式——下次疫情來襲時，決策者或許不再面對冰冷數字，而是獲得一份“風險趨勢解讀報告”。

論文鏈接：

https://www.nature.com/articles/s43588-025-00798-6