用于疟疾监测的协作智能:通过多智能体与专家反馈进行本体适配

《Data & Knowledge Engineering》:Collaborative Intelligence for Malaria Surveillance: Ontology Adaptation through Multi-Agent and Expert Feedback

【字体: 大 中 小 】 时间:2026年05月02日 来源:Data & Knowledge Engineering 2.6

编辑推荐:

  Kamal Bakari Jillahi | Zainab Shamsiya Usman | Charles Nche尼日利亚美国大学计算机科学系摘要疟疾继续对全球健康造成沉重负担,尤其是在撒哈拉以南非洲地区,那里脆弱的卫生系统面临着快速变化的流行病学和生态环境。有效的监测需要动

  
Kamal Bakari Jillahi | Zainab Shamsiya Usman | Charles Nche
尼日利亚美国大学计算机科学系

摘要

疟疾继续对全球健康造成沉重负担,尤其是在撒哈拉以南非洲地区,那里脆弱的卫生系统面临着快速变化的流行病学和生态环境。有效的监测需要动态的知识基础设施,然而现有的本体论(如IDOMAL和NCBI分类法)仍然静态不变,仅通过专家的阶段性维护进行更新。基于规则的工作流程能够提供语义精确性,但缺乏适应性;而基于嵌入的方法虽然提高了可扩展性,却牺牲了可解释性。为了解决这些限制,本研究提出了一个基于多智能体强化学习(MARL)并融入人类监督的协作式本体论适应框架。该框架协调专门的智能体进行概念提取、公理修订、验证和监测评估,由一个综合了语义一致性、专家验证和流行病学效用的全局奖励函数来指导。通过与真实世界疟疾数据流的比较实验,将MARL与基于规则和基于嵌入的方法进行了基准测试。结果表明,基于规则的方法实现了最高的更新准确性(约95%),但在响应性和覆盖范围方面表现较差。基于嵌入的方法捕捉到了更广泛的关联,但引入了噪声和可解释性挑战。MARL则取得了更平衡的成果,在语义覆盖范围(74%)、漂移响应性(72%)、人机一致性(κ=0.79)和下游监测性能(F1=0.84)方面都有所改进,同时保持了较高的更新准确性(82.6%)。可用性评估进一步突显了专家的认可度,这归因于框架的透明性和结构化的反馈循环。这一概念验证表明,将神经符号推理与强化学习相结合可以产生适应性强且可解释的本体论。尽管可扩展性和更广泛的疾病验证仍是未来的挑战,但本研究强调了MARL在动态卫生环境中加强实时流行病学情报和疫情准备方面的潜力。

引言

疟疾仍然是最持久和最具挑战性的全球健康威胁之一,尤其是在撒哈拉以南非洲地区,那里脆弱的卫生系统因高传播强度而更加脆弱(WHO,2023年)。尽管在扩大病媒控制干预措施方面取得了显著进展,疟疾仍导致大量发病率和死亡率,2022年全球报告的病例数超过2.4亿例(WHO,2023年)。疟疾控制和消除的核心在于卫生系统预测疫情、发现热点并调整干预策略以应对新兴的流行病学、生态和社会行为风险的能力。然而,监测系统往往难以捕捉和整合关于疾病动态、病媒生态和环境驱动因素的快速变化的知识。
这一挑战的核心在于静态本体论的刚性,例如疟疾传染病本体论(IDOMAL)[1]和NCBI分类法[2],它们为生物医学数据整合提供了语义一致性,但仅通过人工专家维护进行更新。手动更新确保了高保真度,但具有间歇性、资源密集型,并且难以捕捉概念漂移(例如在资源匮乏的非洲地区出现的新病媒Anopheles stephensi)[3]。因此,静态本体论有可能迅速过时,从而削弱其在实时决策支持中的作用。
现有的本体论适应方法在关键方面存在不足。基于规则的工作流程在语义上严谨但静态且不可扩展。另一方面,基于嵌入的方法虽然能够实现自动化推理和适应性,但往往不透明、噪声较大且可解释性较弱[4,5]。这两种方法都没有充分将专家反馈整合到持续的学习循环中,也没有明确将本体论更新与下游监测性能联系起来。
本研究旨在开发并评估一种新型的适应性本体论管理框架,用于疟疾监测,该框架结合了多智能体强化学习(MARL)和人类监督。所提出的MARL框架通过部署专门的智能体来实现这一目标,这些智能体的奖励信号与专家验证、逻辑一致性和流行病学效用相一致。通过将MARL框架与两种既定范式(基于规则的适应(OntoFox/ROBOT工作流程)和结合神经符号推理的知识图嵌入(TransE/ComplEx)进行比较,我们突出了语义严谨性、适应性和可解释性之间的权衡。
这项研究的意义有三个方面。首先,它解决了需要动态本体论以跟上快速发展的生物医学和环境知识的需求。其次,它使本体论适应与AI的可解释性要求保持一致,确保监测见解对领域专家和政策制定者来说仍然是可解释的[6,7]。第三,它为神经符号AI的更广泛愿景做出了贡献,将符号推理与机器学习相结合,以产生既适应性强又可解释的知识基础设施。

部分摘录

研究设计

本研究采用比较实验设计,在受控模拟和真实世界疟疾数据流下,对三种本体论适应范式进行了基准测试:基于规则的工作流程、结合神经符号推理的知识图嵌入以及结合人类监督的多智能体强化学习(MARL)。这三种范式都输入相同的异构数据:生物医学文献(通过PubMed API)、昆虫学调查、气候数据集以及来自开放存储库的疟疾病例报告。

结果

对结合人类监督的多智能体强化学习(MARL)框架的评估使用了第2.6节中提到的六个关键维度:本体论更新准确性、语义覆盖范围、漂移响应性、人机一致性、监测性能和可用性。结果与基于规则的工作流程和结合神经符号推理的知识图嵌入进行了对比,突出了MARL的优势和局限性。

启示

本研究具有重要的政策、技术和理论意义。从政策角度来看,引入适应性MARL驱动的本体论有可能显著缩短新生物医学知识出现与其融入运营监测系统之间的时间差,从而在动态公共卫生环境中加强疫情准备和响应能力。在技术层面,该研究证明了部署这种框架的可行性。

对未来工作的建议

本研究的结果为推进公共卫生监测中的适应性本体论管理指明了几个重要方向。一个关键问题是可扩展性,将所提出的MARL框架扩展到除疟疾之外的其他生物医学本体论(如登革热、寨卡病毒、猴痘或抗菌素耐药性)将考验其通用性。更大的本体论带来了计算挑战,包括管理长依赖链和保持一致性。

结论

本研究对疟疾监测中的三种本体论适应范式进行了比较评估:传统的基于规则的方法、结合神经符号推理的知识图嵌入以及结合人类监督的多智能体强化学习(MARL)框架。基于规则的方法在精确性和逻辑一致性方面表现出优势,因为它们严格遵循定义的规则和约束。然而,

CRediT作者贡献声明

Kamal Bakari Jillahi:概念化、数据维护、形式分析、验证、初稿撰写、审阅与编辑。Zainab Shamsiya Usman:概念化、形式分析、方法论、项目管理、监督、验证、审阅与编辑。Charles Nche:概念化、形式分析、调查、方法论、监督、验证。
Kamal Bakari Jillahi(ACM会员;NCS特许会员)出生于1983年9月24日。他于2009年在尼日利亚约拉的联邦技术大学获得信息与通信技术学士学位,2016年在土耳其北塞浦路斯法马古斯塔的东地中海大学获得计算机工程硕士学位。他目前正在尼日利亚约拉的尼日利亚美国大学攻读计算机科学博士学位。他是该校的兼职
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号