《The Innovation》：TDA-PIDO: A topological data analysis approach for early warning of infectious disease outbreaks
编辑推荐：
传染病暴发预测对于减轻医疗系统风险至关重要。然而，有噪的监测数据严重降低了预测准确性并限制了模型的泛化能力。鉴于拓扑数据分析（topological data analysis, TDA）对噪声的高度鲁棒性，本研究通过引入一种基于TDA的特征表示方法——TDA
传染病暴发预测对于减轻医疗系统风险至关重要。然而，有噪的监测数据严重降低了预测准确性并限制了模型的泛化能力。鉴于拓扑数据分析（topological data analysis, TDA）对噪声的高度鲁棒性，本研究通过引入一种基于TDA的特征表示方法——TDA-PIDO（TDA for the prediction of infectious disease outbreaks）来克服这一挑战。TDA-PIDO首先将不同的时间序列转换为相应的点云，然后系统地提取点云中的拓扑特征。为了增强泛化能力，研究人员使用两种噪声诱导的易感-感染-恢复（susceptible-infected-recovered, SIR）模型生成的模拟数据训练模型，随后将其应用于真实世界的传染病数据集。实验结果表明，在相同特征维度下，TDA-PIDO在模拟数据集上的表现优于现有方法，并在真实世界数据上取得了更优的性能。此外，在不同噪声水平下的实验证明了该框架具有很强的鲁棒性。总体而言，这项工作凸显了TDA作为一种有前景的早期预警分析工具的价值。
研究背景与现存问题
重大传染病暴发曾造成巨大的生命损失和经济破坏，严重阻碍人类发展。例如，2003年严重急性呼吸综合征（severe acute respiratory syndrome, SARS）波及全球32个国家和地区，而2019冠状病毒病（coronavirus disease 2019, COVID-19）导致超过700万报告死亡，成为21世纪最严重的公共卫生危机之一。准确预测新型传染病是否具有暴发潜力，直接关系到防控策略的制定与实施。传统的机制模型（如易感-感染-恢复（susceptible-infected-recovered, SIR）模型及其扩展）广泛用于模拟传播动力学，但它们常依赖简化或刚性假设，易引入偏差，且在数据稀缺的疫情早期阶段实用性有限。另一方面，将传染病暴发视为临界转变的研究引入了早期预警信号（early warning signals, EWSs）概念，但现有方法仍面临可靠性不足、泛化能力差、对新发传染病数据稀疏敏感以及对非暴发状态特征表征不充分等问题。因此，亟需开发一种能够应对随机扰动和数据稀缺的通用分类模型，以实现对暴发与非暴发状态的精确区分。该论文发表于《The Innovation》。
研究方法概述
研究人员提出了一种基于拓扑数据分析（topological data analysis, TDA）的传染病暴发预测方法TDA-PIDO。其关键技术流程包括：（1）利用两类噪声诱导的SIR模型（加性噪声模型Add和人口统计噪声模型Dem）生成模拟训练数据；（2）通过延迟坐标嵌入将一维时间序列重构为三维点云，其中时间延迟参数τ通过平均互信息法选择，嵌入维度固定为d=3；（3）应用Vietoris-Rips（VR）滤流计算持久同调（persistent homology, PH），提取0维（连通分量）、1维（环状结构）和2维（空洞结构）拓扑特征，并以条形码形式呈现；（4）采用持久轮廓（persistence silhouette）和瓶颈距离（bottleneck distance）将拓扑特征向量化为数值特征，供机器学习分类器使用；（5）在端到端深度学习架构TDA-PIDO-PDE中，直接将条形码输入深度神经网络进行预测。研究使用了两个真实世界数据集：COVID-19-18Countries（包含18个国家疫情前期数据，共195个样本）和SARS-HongKong（包含香港非暴发期SARS数据，共1200个样本）。
研究结果
1. 性能表现于模拟数据集
在3400条由噪声诱导SIR模型生成的模拟时间序列上，所有基于TDA特征的分类器均表现出强判别力，各项评估指标（准确率Acc、曲线下面积AUC、F1分数、Brier分数）均超过0.95。其中，加性噪声条件下训练的模型性能优于人口统计噪声条件，梯度提升（gradient boosting, GB）和随机森林（random forest, RF）分类器表现最佳。
2. 跨模型泛化能力
当使用SIR生成的数据训练、SIS模型生成的数据测试（反之亦然）时，所有分类器仍保持高判别性能，各指标值均超过0.98，表明TDA-PIDO具有良好的跨模型泛化能力。
3. 数据缺失鲁棒性
在模拟测试数据中逐步移除0%-60%的报告病例后，前三个评估指标下降幅度控制在10个百分点以内，支持向量机（support vector machine, SVM）分类器仅下降4个百分点，展现了出色的抗数据缺失能力。
4. 单一拓扑特征维度分析
单独使用1维拓扑特征即可获得与完整特征相近的分类性能（相差仅1%-2%），而2维特征表现较弱，说明一维时间序列难以形成稳定的2维拓扑结构。
5. 低维特征对比优势
在二维特征表示空间中，TDA-PIDO相比22SF和5EWSI方法在所有分类器上平均提高约2个百分点的Acc，Brier分数降低超过30%，显示出更强的判别力和概率校准能力。
6. 真实世界数据集性能
在COVID-19-18Countries和SARS-HongKong数据集上，TDA-PIDO框架下的决策树（decision tree, DT）分类器对COVID-19暴发样本识别Acc超过0.84，对非暴发SARS样本识别Acc达到1.0，显著优于22SF和5EWSI方法。在平衡混合测试集上，TDA-PIDO的GB、RF和DT分类器各项指标均超过0.9，而最佳基线方法仅约0.8。
7. 深度学习集成
端到端深度学习版本TDA-PIDO-PDE在三种合成数据设置下均达到Acc=0.92、AUC=0.92、F1=0.91、Brier=0.08，大幅超越CNN-LSTM架构（平均性能增益约40%），且对不同训练数据配置高度一致。
讨论与结论总结
讨论部分指出，拓扑数据分析（TDA）提供了揭示点云数据高维结构模式的数学严谨框架，其核心工具持久同调（PH）因对噪声鲁棒和几何畸变不变性而成为突出的特征提取方法。TDA-PIDO通过将传染病时间序列提升至高维点云、提取噪声鲁棒的拓扑不变特征，有效区分了暴发与非暴发状态。研究还指出了若干局限性：训练数据基于简单的SIR模型生成，未来应纳入异质性网络模型等更真实的传播动力学模型；PH存在计算瓶颈，需开发轻量级近似算法；当前未考虑空间特征，未来可引入拓扑图神经网络联合建模时空动态。
研究结论翻译如下：本研究提出了一种基于拓扑数据分析（TDA）的传染病暴发预测方法TDA-PIDO，该方法通过将疾病时间序列映射至拓扑空间并利用持久同调（PH）提取噪声鲁棒的特征，实现了对暴发与非暴发状态的高效分类。在模拟数据和真实世界数据（COVID-19和SARS）上的验证结果表明，TDA-PIDO在分类准确性、模型稳定性和概率预测可靠性方面均显著优于现有最优方法，即使在数据稀疏条件下仍保持高性能。这项工作凸显了TDA作为传染病早期预警领域有前景的分析工具的重要价值。
