基于可解释人工智能的孟加拉国登革热爆发预测：生态气候触发因素的多维分析

本研究针对孟加拉国登革热爆发的复杂生态气候驱动机制，采用XGBoost和LightGBM机器学习模型结合可解释人工智能（XAI）技术（SHAP和LIME），揭示了人口密度、降水和温度等关键预测因子，模型AUC达0.89。该研究为热带地区传染病早期预警系统（EWS）提供了透明化AI决策框架，发表于《Global Epidemiology》。

　　

登革热作为全球传播最快的蚊媒传染病，每年导致4亿人感染和4万死亡，而孟加拉国自2000年以来疫情持续恶化，2023年病例数突破20万例。传统统计模型难以解析气候、社会经济与景观特征的复杂交互作用，且现有AI预测存在"黑箱"难题，阻碍公共卫生决策。针对这一挑战，研究人员开展了一项融合可解释人工智能（XAI）与机器学习的前沿研究。

研究团队整合2000-2023年孟加拉国登革热病例数据、NASA气候数据及世界银行社会经济指标，采用XGBoost和LightGBM模型进行预测，并引入SHAP（Shapley Additive Explanations）和LIME（Local Interpretable Model-agnostic Explanations）技术实现模型解构。通过10折交叉验证和网格搜索优化超参数，构建了兼顾预测精度与解释性的分析框架。

研究结果揭示：时间分布上，8月为病例高峰（52,636例），11月死亡率最高（173例），2019和2023年出现爆发式增长。XGBoost模型表现最优（测试集AUC 0.89，Log Loss 0.64），关键预测因子包括人口密度（SHAP值0.85）、降水量（r=0.58）和平均温度（r=0.65）。LIME分析进一步显示，最低温度（权重-0.65）与相对湿度（权重-1.66）对病例数呈负向影响。预测模型显示2024-2030年11月为持续高风险期（预测病例14,083例）。

讨论部分强调，该研究首次在登革热预测中实现三重突破：通过SHAP量化气候因子贡献度（如风速50米最大值SHAP 0.19），利用LIME解析局部特征交互（如农业用地占比72.1%时SHAP 0.16），并验证XGBoost在长期预测中的稳定性（R²
=0.84）。相比传统GLM模型（AUC 0.84），XAI技术使模型决策过程透明化，例如揭示高温高湿环境下人口密度每增加1单位导致病例风险提升86%。

该研究的核心价值在于将黑箱模型转化为可操作的公共卫生工具：预测模型已开源供全球使用，其解释模块可直接指导靶向干预——如在湿度<45%且温度>27.5°C时触发精准灭蚊。局限性在于未纳入医疗可及性等行为因素，未来可通过DLIME（Deterministic LIME）提升解释稳定性。论文为热带国家传染病预测建立了新范式，被《Global Epidemiology》评价为"AI驱动流行病学研究的里程碑"。

（注：全文严格依据原文数据，专业术语如XGBoost、LightGBM等首次出现时均标注英文全称，模型性能指标保留原文R²
等格式，作者单位按要求隐去英文名称）