综述：人工智能与计算方法在流感和流感样疾病建模与预测中的应用：范围综述

这篇综述系统梳理了2014-2025年间AI技术（如机器学习ML、深度学习DL）在流感预测中的应用进展。研究揭示LSTM、CNN-LSTM等时序模型在整合流行病学数据、气象变量和社交媒体信号时表现优异（AUC达0.92），但存在模型可解释性不足、外部验证缺失等挑战。未来需聚焦实时数据整合与可迁移模型开发，以增强全球流感防控能力。

　　

背景

流感和流感样疾病（ILI）每年导致全球290,000-650,000例呼吸系统死亡，其快速变异特性使得传统疫苗策略面临挑战。人工智能（AI）技术通过处理电子健康记录（EHR）、社交媒体和气象数据等异构信息源，为实时预测提供了新范式。

方法学进展

纳入分析的9项研究显示，深度学习模型在短期预测（1-4周）中显著优于传统统计方法。其中长短期记忆网络（LSTM）通过捕捉非线性时序特征，将预测误差（RMSE）降至0.38。CNN-LSTM混合模型则通过融合社交媒体活动数据，使疫情早期预警提前1.5周。值得注意的是，贝叶斯神经网络（Bayesian ANN）在参数估计中展现出独特优势，其概率输出特性为不确定性量化提供了支持。

数据整合趋势

多模态数据融合成为关键突破点：

• •

  流行病学记录（如美国CDC的ILI监测数据）

• •

  气象变量（温度、湿度与病毒传播的关联性）

• •

  社交媒体信号（Twitter关键词与就诊量的时空相关性）

  研究证实，整合这三类数据的模型预测准确率（AUC）比单一数据源模型提升8.2%。

现存挑战

1. 1.

   可解释性困境：深度学习的"黑箱"特性导致公共卫生决策者信任度不足，仅17%的研究采用SHAP/LIME等解释工具

2. 2.

   地域局限性：88%模型训练数据来自高收入国家，在低资源地区的泛化能力存疑

3. 3.

   实施缺口：缺乏与现有监测系统（如WHO FluNet）的API对接方案

未来方向

1. 1.

   实时自适应系统：联邦学习架构可实现跨区域数据共享而不泄露隐私

2. 2.

   环境因子嵌入：学校日历、航空客流等社会决定因素尚未充分挖掘

3. 3.

   标准化评估：需建立类似TRIPOD的AI模型报告规范

研究强调，AI预测模型应作为人类专家的"决策增强器"而非替代品。通过将Dirichlet过程模型等非参数方法与强化学习结合，未来系统有望在疫苗分配、非药物干预（NPI）策略优化等领域发挥更大作用。