基于变分优化的人工神经网络驱动福氏耐格里阿米巴流行病计算建模

《Advanced Physics Research》：Artificial Neural Network Driven Computational Modeling of Naegleria fowleri Epidemics Using Variational Optimization

　　

本研究提出一个数学框架来分析由阿米巴引起的中央神经系统感染的传播动力学。总人口被划分为易感者、暴露者、感染者、隔离者、住院者、康复者、受保护者和死亡者等仓室。一个非线性常微分方程组模拟了疾病进展和干预措施的效果。通过平衡点分析检验了模型的定性行为。推导出无病平衡点，并利用雅可比矩阵、李雅普诺夫函数和拉萨尔不变性原理确立了其局部和全局稳定性。基本再生数被确定为决定疾病消亡或持续的关键阈值。由于非线性，数值解通过四阶龙格-库塔法和人工神经网络方法获得。基于误差度量、回归和相关性测量的比较分析显示两种方法之间具有高度一致性。结果验证了模型，并证明了神经网络在解决复杂流行病系统方面的有效性。

**论文解读：基于变分优化的人工神经网络驱动福氏耐格里阿米巴流行病计算建模**

**研究背景与意义**
由自由生活阿米巴引起的、影响大脑的传染病虽然罕见，但可能极其危险，具有渐进性发展和高病死率的特点。福氏耐格里阿米巴（Naegleria fowleri）因其能侵入大脑并造成实质性神经损伤，已成为科学家关注的关键异常病原体。这类阿米巴通常存在于温暖的淡水环境中，可通过鼻腔间隙进入大脑，引发有害的炎症和坏死。不幸的是，此类感染通常发展迅速，为有效医疗干预留下的时间窗口很窄。由于缺乏足够的经验证据且疾病具有随机波动性，数学模型已成为理解福氏耐格里阿米巴传播和扩散的有效方法。数学模型在流行病学中不可或缺，能帮助研究人员将生理假设转化为计算框架。通过使用微分方程组，可以系统地描述总人口动态中不同仓室之间复杂的相互作用。对于福氏耐格里阿米巴阿米巴感染，这些模型有助于阐明关键的流行病学过程，如易感、暴露、感染、隔离、住院、康复、受保护个体和疾病诱导死亡率。这些仓室描述了不同疾病状态之间的转换，以及不同参数如何影响疾病的系统性后果。这些模型可以帮助研究人员确定控制措施对动力学的影响，阐明缓解疾病的分岔值，并理解其在各种情况下的长期现象。本研究旨在开发一个数学模型来阐明福氏耐格里阿米巴的传播动力学，为理解这一致命水传播寄生虫感染提供理论和计算基础，相关成果发表在《Advanced Physics Research》期刊上。

**关键技术方法**
研究人员为开展此项研究，主要运用了以下关键技术方法：
1. **流行病学仓室建模**：构建了一个包含八个状态变量（易感者S、暴露者E、感染者I、隔离者Q、住院者H、康复者R、受保护者P、疾病诱导死亡者D）的非线性常微分方程组，以刻画福氏耐格里阿米巴感染的完整传播动力学。模型参数（如招募率、自然死亡率、传播系数、接触率、潜伏期进展率、隔离率、住院率、保护率、各仓室恢复率与死亡率）均从同行评议的文献中选取或合理假设，以确保生物学相关性和流行病学准确性。
2. **稳定性分析与阈值计算**：对模型进行了理论分析，包括计算无病平衡点（DFE）和基本再生数（R₀）。利用雅可比矩阵分析局部稳定性，并构造李雅普诺夫函数，结合拉萨尔不变性原理，证明了无病平衡点在R₀<1条件下的全局渐近稳定性，为理解疾病的长期动态行为和根除标准提供了数学基础。
3. **数值求解与机器学习算法**：由于模型的非线性与复杂性，研究人员采用了两种数值求解方法进行对比。一是经典的四阶龙格-库塔（RK4）方法，作为高精度的确定性数值基准。二是人工神经网络（ANN）方法，构建了一个包含输入层（15个节点）、隐藏层（15个神经元，使用ReLU激活函数）和输出层的三层网络结构。网络采用Levenberg-Marquardt反向传播算法进行训练，以最小化ANN预测输出与RK4参考解之间的均方误差（MSE）。训练过程涉及数据随机划分、性能评估和超参数（如学习率、批量大小、训练周期数）的优化。

**研究结果**
研究人员通过四个不同训练周期配置的案例研究，对模型进行了全面的数值模拟和比较分析，主要结果如下：
* **模型框架与稳定性**：成功构建了福氏耐格里阿米巴流行病仓室模型，并推导出其无病平衡点。稳定性分析表明，当基本再生数R₀<1时，无病平衡点不仅是局部渐近稳定的，而且是全局渐近稳定的，这为疾病控制策略的有效性提供了理论依据。
* **ANN训练性能**：对四个案例（案例1-4，目标训练周期分别为1000、865、758、667）的训练进度进行了详细记录。结果显示，在所有案例中，ANN均能在较少的实际训练周期（11个周期）内快速收敛，性能值（MSE）从初始的约2.69e+04显著下降至约1.96，梯度值也大幅降低，验证检查达到预设停止条件（6次），表明训练过程稳定且避免了过拟合。
* **回归与误差分析**：
* **回归分析**：在所有四个案例中，ANN预测值与RK4目标值之间的回归分析图显示，训练、验证和所有数据子集的回归系数（R值）均非常接近1，拟合直线斜率约为1，截距极小。这表明ANN预测与RK4参考解之间具有近乎完美的线性相关性，ANN有效地学习了模型底层的非线性耦合动力学。
* **误差直方图**：所有案例的误差（目标值-输出值）直方图均呈现定义良好、对称且近似钟形的分布，紧密地集中在零误差附近。训练和验证误差分布形状相似，表明没有过拟合，ANN对未见数据具有良好泛化能力，且学习到的解在统计上无偏、数值稳定。
* **训练状态与性能曲线**：梯度图显示其值单调下降至较低水平；Mu参数呈现特征性的V形变化；最佳验证性能均在第5个周期达到（MSE约为2.2096）。训练和验证的MSE曲线在整个训练过程中几乎重合，进一步证实了训练的稳定性和ANN的高预测精度。
* **自相关与互相关分析**：
* **自相关误差分析**：所有八个仓室状态预测误差的自相关图在四个案例中均呈现共同的、完美对称的钟形，在零滞后处达到峰值，并随着滞后量级的增加而平滑单调衰减。这表明ANN已有效捕获了耦合微分方程组的全部底层非线性动力学，残留误差是随机的、不相关的。
* **互相关分析**：ANN预测误差与相应输入变量之间的互相关图在所有案例和仓室中呈现近乎平坦、恒定的轮廓，相关系数在整个滞后范围内几乎恒为1。这证明ANN完全且正确地利用了输入信息，其解与RK4参考轨迹在整个时间历史范围内全局一致。
* **解的比较与误差**：
* **误差比较图**：展示了在整个模拟时间域[0, 20]内，ANN近似解与RK4数值解之间的逐点误差。在所有案例中，误差轮廓均围绕零对称波动，未表现出系统性高估或低估的趋势。随着训练周期数的增加（从案例1到案例4），各仓室的误差水平得到更好控制，振荡幅度减小，表明更充分的训练使网络权重更有效地与RK4路径对齐。
* **数值解比较图**：直接比较了ANN和RK4方法在所有八个仓室随时间变化的轨迹。在案例1中，两者在大多数仓室上已非常接近，但在暴露者、感染者和疾病诱导死亡者等仓室存在有限的可察觉差异。在案例2、3和4中，随着训练周期增加，ANN与RK4曲线在所有状态变量和整个时间域上的一致性显著增强，近乎完美重合，表明ANN能够以极高的精度复现福氏耐格里阿米巴流行病中快速和缓慢生存过程的动力学。

**讨论与结论**
**讨论部分总结**：本研究将数学建模、稳定性分析、数值分析和神经网络相结合，为理解和分析复杂的流行病系统创建了一个稳健的框架。通过详尽的数值模拟和性能诊断，研究人员证实了基于ANN的求解器在模拟福氏耐格里阿米巴流行病模型复杂非线性动力学方面的可靠性、计算效率和数学严谨性。ANN能够有效学习并近似耦合微分方程组的解，其预测与经典的RK4方法高度一致。误差分析表明ANN的解在统计上无偏且误差不相关。该框架特别适用于具有非线性和生物复杂性的流行病系统，为分析流行病动力学提供了一种可靠的方法。

**研究结论翻译**：在本研究中，研究人员开发了一个详细的数学流行病模型来阐明福氏耐格里阿米巴阿米巴诱导疾病的传播。研究人员使用一组非线性常微分方程来解释疾病通过各种人口仓室的进展。通过涵盖暴露率、感染率、隔离、住院、康复、保护和疾病诱导死亡等现实因素，该模型对疾病行为进行了有力且语义等效的描述。研究人员推导了模型的无病平衡点，以阐明在何种条件下感染可以从人群中根除。研究人员使用雅可比矩阵和李雅普诺夫函数进行了局部稳定性分析，这为了解系统在无病平衡点处的行为提供了深刻的见解。此外，研究人员使用李雅普诺夫函数和拉萨尔不变性原理计算了全局稳定性，以验证当满足某些条件时，无病平衡点是全局稳定的。基本再生数R₀作为一个关键指标出现，它决定了疾病是传播还是从总人口中根除。由于模型是非线性和复杂的，研究人员无法找到解析解，因此使用了数值模拟。研究人员使用四阶龙格-库塔（RK4）方法作为基本的数值解。研究人员还使用人工神经网络（ANN）作为计算工具来估计模型解。研究人员使用各种图形（如回归图、误差直方图、训练状态图、性能分析以及自相关和互相关误差分析图，连同ANN与RK4误差的比较）对ANN和RK4解进行了全面比较。结果显示两种数值方法之间具有很强的一致性，证实了ANN方法的准确性、稳定性和效率。
总之，该研究的显著特点表明，数学建模、稳定性分析、数值分析和神经网络的融合为理解和分析复杂的流行病疾病系统创建了一个稳健的框架。研究结果提供了关于福氏耐格里阿米巴流行病系统的关键理论和计算见解，并为未来的研究工作和可能的疾病控制策略奠定了基础。