編輯丨王多魚

排版丨水成文

新冠大流行期間，一份實(shí)時(shí)更新 的“全球新冠疫情數(shù)據(jù)可視化地圖”火遍全球，該疫情地圖 通過結(jié)合自動化數(shù)據(jù)采集與人工審核機(jī)制，成為全球多個(gè)國家政府、媒體引用最廣泛的疫情追蹤系統(tǒng)之一，單日訪問量一度高達(dá) 20 億。

這一地圖的開發(fā)者是約翰·霍普金斯大學(xué)的兩位中國留學(xué)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(fā)表了題為：Advancing real-time infectious disease forecasting using large language models 的研究論文。

該研究開發(fā)了一款多模態(tài)大型語言模型——PandemicLLM，通過融合多模態(tài)信息（包括文本形式的公共衛(wèi)生政策以及基因組監(jiān)測、空間和流行病學(xué)時(shí)間序列數(shù)據(jù)），采用人工智能與人類協(xié)作的提示詞設(shè)計(jì)，來實(shí)時(shí)預(yù)測疾病傳播。研究團(tuán)隊(duì)將該模型應(yīng)用于美國的 COVID-19 疫情，預(yù)測性能顯著優(yōu)于現(xiàn)有模型。

該研究讓大語言模型（LLM）化身疫情預(yù)報(bào)員，成功突破傳統(tǒng)模型瓶頸，不僅能看懂政策文本、基因報(bào)告，還能提前 3 周預(yù)警疫情反撲，這項(xiàng)研究或?qū)⒅厮芄残l(wèi)生決策模式。

傳統(tǒng)模型的“致命短板”

論文開篇直指現(xiàn)有疫情預(yù)測模型的四大痛點(diǎn)：

1、數(shù)據(jù)盲區(qū)：傳統(tǒng)模型只能處理數(shù)字（例如病例數(shù)），對政策文本、病毒基因特征等關(guān)鍵信息“視而不見”；

2、變種響應(yīng)慢：當(dāng)奧密克戎新亞型 BQ.1 出現(xiàn)時(shí)，傳統(tǒng)模型需重新訓(xùn)練，錯過黃金預(yù)警期；

3、結(jié)果難解讀：復(fù)雜的置信區(qū)間讓決策者難以快速判斷風(fēng)險(xiǎn)等級；

4、轉(zhuǎn)折點(diǎn)誤判：三分之二的模型曾在疫情拐點(diǎn)預(yù)測中失誤。

革命性突破：把疫情預(yù)測變成“文本推理題”

該團(tuán)隊(duì)開發(fā)的 PandemicLLM 框架，創(chuàng)造性地實(shí)現(xiàn)三大突破：

1、多模態(tài)數(shù)據(jù)“翻譯官”，通過 AI-人類協(xié)作提示詞，將四類異構(gòu)數(shù)據(jù)轉(zhuǎn)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(xué)校從強(qiáng)制關(guān)閉轉(zhuǎn)為建議關(guān)閉”）；

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

• 時(shí)空數(shù)據(jù) → 轉(zhuǎn)化為排名描述（例如“加州老年人口比例全美前五”）；

• 時(shí)間序列 → 用 GRU 神經(jīng)網(wǎng)絡(luò)編碼關(guān)鍵趨勢。

2、首創(chuàng)“五級趨勢分類法”，摒棄易受數(shù)據(jù)干擾的數(shù)值預(yù)測，采用疾控中心認(rèn)可的住院趨勢五級分類：大幅下降、溫和下降、穩(wěn)定、溫和上升、大幅上升，讓決策者一眼可知風(fēng)險(xiǎn)等級。

3、“零樣本”應(yīng)對新變種，當(dāng) BQ.1 變種出現(xiàn)時(shí)，無需重新訓(xùn)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(qiáng)，預(yù)計(jì)兩周內(nèi)成為主流毒株。模型立即響應(yīng)，預(yù)測準(zhǔn)確率提升 28.2%。

PandemicLLM 的疫情數(shù)據(jù)流和處理流程概述

人工智能與人類協(xié)作提示詞設(shè)計(jì)概要

實(shí)戰(zhàn)表現(xiàn)：全美大考

在覆蓋全美 50 個(gè)州、長達(dá) 19 個(gè)月的測試中，PandemicLLM 的表現(xiàn)：

1、精度碾壓傳統(tǒng)模型

• 1 周預(yù)測準(zhǔn)確率 56%（比最優(yōu)傳統(tǒng)模型高20%）；

• 3 周預(yù)測準(zhǔn)確率 46.4%（誤差率降低22%）；

• 模型規(guī)模越大表現(xiàn)越好：700 億參數(shù)版本準(zhǔn)確率達(dá) 57.1%。

2、置信度=可信度

• 當(dāng)模型對“大幅上升”的判斷置信度＞85% 時(shí)，實(shí)際發(fā)生概率高達(dá) 73%（1周）和 64%（3周）。

3、地域適應(yīng)性

在疫情趨勢一致的西部沿海、五大湖區(qū)表現(xiàn)最佳，而在政策多變的懷俄明州等地區(qū)仍有優(yōu)化空間，因此，團(tuán)隊(duì)建議開發(fā)區(qū)域定制模型。

總的來說，這項(xiàng)研究不僅破解了多模態(tài)數(shù)據(jù)融合的難題，更開創(chuàng)了 AI 輔助公共衛(wèi)生決策的新范式——下次疫情來襲時(shí)，決策者或許不再面對冰冷數(shù)字，而是獲得一份“風(fēng)險(xiǎn)趨勢解讀報(bào)告”。

論文鏈接：

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