基于物理信息神经网络对吸烟与非吸烟糖尿病人群结核病建模与预测的深度学习研究

本文综述了采用物理信息神经网络（PINN）对吸烟与非吸烟糖尿病人群中结核病（TB）进行建模与预测的创新深度学习框架。研究通过整合多组学数据与临床指标，显著提升了TB早期诊断与进展预测的精度，为慢性病并发传染病的精准防控提供了新范式。

　　

研究亮点

本研究通过物理信息神经网络（PINN）创新性地构建了结核病（TB）在糖尿病人群中的动态传播模型，首次揭示了吸烟行为对TB感染轨迹的差异化影响。模型融合了病原体传播动力学与患者代谢特征，实现了对复杂非线性疾病进程的高精度模拟。

核心方法

采用八维"双阶段"SEIRS再感染模型（Susceptible-Exposed-Infectious-Recovered-Susceptible），扩展了经典的四维SEIRS架构。通过引入初级感染与再感染的异质性参数（包括差异化的传播率β_1,1/β_r,r、潜伏期σ₁/σ_r及免疫衰减率ω₁/ω_r），精准刻画了糖尿病吸烟者特有的免疫应答模式。

关键发现

1. 1.

   当基本再生数R₀＜1时，系统可能出现后向分岔（Backward Bifurcation），导致双重地方性平衡点共存

2. 2.

   在R₀＞1条件下观测到三次地方性平衡点与连续鞍结分岔

3. 3.

   通过Li-Muldowney理论证明了SIRI（Susceptible-Infectious-Recovered-Infectious）与SEIRE（Susceptible-Exposed-Infectious-Recovered-Exposed）子模型的全局渐近收敛性

临床意义

模型揭示了糖尿病吸烟人群的TB再感染风险阈值ψ*，为制定针对性防控策略提供了量化依据。该方法可扩展至其他具有免疫记忆特征的传染病（如COVID-19/百日咳）的建模研究。

结论

物理信息神经网络成功破解了多稳态流行病学系统的收敛难题，为慢性病合并传染病的精准预测建立了可解释的计算框架。后续研究将整合真实世界临床数据验证模型泛化能力。

作者贡献声明

Pierre-Alexandre Bliman：研究设计/理论验证/资金获取；Marcel Fang：算法实现/数据建模/文稿撰写

利益冲突声明

所有作者声明不存在任何利益冲突与竞争关系

致谢

感谢法国国家研究署（ANR-23-CE48-0004）的基金支持