基于模拟推理方法的随机区室模型在流行病学研究中的评估

《PLOS One》：Assessment of simulation-based inference methods for stochastic compartmental models in epidemiological research

　　

全球大流行（如近期的COVID-19危机）凸显了需要能够捕捉疾病传播固有随机性的随机流行病模型的需求。此类模型必须配备参数估计方法，以生成快速的即时预测（nowcasts）和短期预测，从而为公共卫生决策提供信息。本文比较了两种先进的贝叶斯推理方法：1）伪边缘粒子马尔可夫链蒙特卡洛（Pseudo-Marginal Particle Markov Chain Monte Carlo，PMCMC），使用通过粒子滤波器（Particle Filter，PF）获得的无偏似然估计；2）条件归一化流（Conditional Normalizing Flows，CNF）。研究人员在三种常用的区室模型上调查其性能：经典易感-感染-易感（Susceptible-Infected-Susceptible，SIS）模型、易感-感染-恢复（Susceptible-Infected-Recovered，SIR）模型和双变异株易感-暴露-感染-恢复（two-variant Susceptible-Exposed-Infected-Recovered，SEIR）模型，并辅以将潜在轨迹映射到经验数据的观测模型。针对随机环境下参数推理中难处理似然（intractable likelihoods）的挑战，分析强调了基于粒子滤波的似然估计和基于流的后验近似如何提供准确且鲁棒的推理能力。模拟研究结果进一步强调了这些方法在捕捉流行病随机动态方面的有效性，为控制疫情爆发提供预测能力。在埃塞俄比亚队列研究上的结果证明了在真实世界噪声和不规则数据采样下的操作稳健性。为促进重用并实现最终有助于公共卫生知情决策的流程构建，研究人员公开了代码和合成数据集。

论文发表在《PLOS One》。研究背景方面，COVID-19大流行及埃博拉、MPOX等疫情被世界卫生组织列为国际关注的突发公共卫生事件，凸显了先进建模技术捕捉疾病传播复杂动态的必要性。流行病学研究中疾病传播受传播动态、治疗反应、病原体突变等多过程影响，数学模型从常微分方程（Ordinary Differential Equation，ODE）模型到基于个体的模型均有应用。ODE种群模型虽模拟快，但因确定性本质难以描述事件变异性及复杂随机交互；纯随机模型如基于个体的和连续时间马尔可夫链（Continuous-Time Markov Chain，CTMC）模型虽能提供个体层面高度详细随机表征，但计算负担过高；基于随机微分方程的数学（元）种群模型能权衡快速模拟与保持模型随机性。数学流行病学建模的关键挑战是确定最佳解释观测数据的未知模型参数（参数推理），通常通过最大化似然函数实现，但随机模型在拟合离散时间数据时似然推理往往不可行，因底层概率分布高度复杂或参数空间高维导致似然函数难处理（intractable likelihood function），朴素近似计算代价昂贵。现有方法如数据增强、马尔可夫链蒙特卡洛（Markov Chain Monte Carlo，MCMC）、高斯过程代理模型、线性噪声近似、混合策略、序贯蒙特卡洛（粒子滤波器，Particle Filter，PF）及近似贝叶斯计算（Approximate Bayesian Computing，ABC）等各有局限，近期机器学习方法如条件归一化流（Conditional Normalizing Flows，CNF）被引入模拟推理（Simulation-Based Inference，SBI）。PF和CNF在随机模型贝叶斯推理潜力大且在流行病学界日益受认可，但缺乏全面比较评估相对性能，因此研究人员开展此项实践驱动的比较研究，评估两种方法优劣及一致性，以明确其在随机区室模型推理中的适用性与权衡。

研究人员开展了基于三种随机区室模型（SIS、SIR、双变异株SEIR）的模拟与真实数据推理比较研究，采用伪边缘粒子马尔可夫链蒙特卡洛（PMCMC，基于Bootstrap Filter的PF作为似然估计器结合自适应Metropolis-Hastings算法）与神经后验估计（Neural Posterior Estimation，NPE）框架下的条件归一化流（CNF，使用BayesFlow软件v1，含序列网络提取摘要统计量及样条耦合可逆网络）两种方法，在合成密集与稀疏（含部分缺失）数据集及埃塞俄比亚COVID-19队列真实数据上实施推理，通过边际后验分布可视化、Wasserstein距离、能量评分（Energy Score）、覆盖度、有效样本量（Effective Sample Size，ESS）、Gelman-Rubin统计量（_?）等指标定量定性评估，并对双变异株SEIR模型进行重参数化（fixing β_wt，redefined parameters）以降低非可识别性影响；得出结论：两种方法有各自优势与局限，CNF计算效率高（约快10倍）、后验较宽、校准良好但复杂模型下可能有轻微误校准，PF采样精确、后验较窄、收敛好但尾部分布探索有限且计算贵，模型非可识别性与参数依赖会导致后验形状差异，重参数化可改善对齐与混合，两者在真实噪声与不规则采样下均稳健，代码与数据已开源；该研究系统比较两种前沿贝叶斯推理方法，阐明权衡，为不确定性感知的流行病预测与实时公共卫生决策支持的推理引擎评估奠定基础，具有重要意义。

关键技术方法方面，研究人员使用Julia语言结合SciML与ModelingToolkit.jl实现SDE的Euler-Maruyama数值积分（非负约束），PF为自定义Bootstrap Filter（200粒子、自适应重采样）嵌入自适应Metropolis-Hastings（4链各50000样本、burn-in 25000）并用秩标准化Gelman-Rubin与ESS诊断；CNF基于BayesFlow v1采用每实验摊销化训练（100000训练、400验证、100 epoch、batch 32、64 LSTM单元SequenceNetwork、8层样条耦合InvertibleNetwork），输入用二进制指示符处理缺失数据，以Kullback-Leibler散度最小化优化变分参数；合成数据按先验手选与抽样生成密集（7或10天观测）与稀疏（<15点、部分缺失）集，真实数据源自埃塞俄比亚纵向队列研究；参考后验对SIS/SIR用精细离散化SDE的哈密顿蒙特卡洛（Hamiltonian Monte Carlo，HMC）获取，评估用1-Wasserstein距离（log参数空间）、95%边际覆盖、能量评分、仿真校准（Simulation-Based Calibration，SBC）等。

研究结果部分，CNF and PF agree with a reference posterior for the SIS model：在10个合成密集数据集上，CNF、PF与HMC参考后验高度一致，95%边际覆盖均达100%（除两个异常数据集分别因本身后验分散与局部HMC差异），log参数空间1-Wasserstein距离显示方法间平均乘性偏移小（CNF–PF 0.063–0.156对应约1.06–1.17倍等），后验预测模拟均准确复现轨迹且能量评分相当，PF的ESS>2000、_?近1，CNF的SBC秩直方图近均匀、参数恢复准，两者匹配HMC参考的预测与推理性能。

CNF and PF provide accurate estimates for the SIR model：在12个合成密集数据集上，CNF与PF的95%覆盖分别为83.33%、HMC为87.5%，后验边际与联合分布紧密重叠（CNF相对HMC/PF有微小系统偏移，源于SBC中γ_rec的上斜直方图左移），Wasserstein距离显示基线HMC–HMC 0.034–0.096、CNF–PF 0.063–0.165等，对应乘性偏移约3–20%，后验预测拟合相当且能量评分接近；PF收敛优（ESS>2000、_?≈1），CNF有轻微SBC误校准（尤其γ_rec）但不影响点估计与预测精度，CNF计算约快10倍且成本恒定，PF耗时随后验几何敏感变化。

Non-identifiability issues lead to posterior shape differences：在双变异株SEIR模型（10个区室、非可识别性）的12个密集与稀疏数据集上，后验方差较先验显著降低（CNF下β_var边际近先验除外），PF后验通常更集中且被CNF包络，CNF覆盖95.2%、PF 91.7%，两者均含真参数；预测轨迹拟合相当、能量评分可比（PF略低），CNF–PF距离与CNF重复运行变异性相当，CNF的ECDF校准好但参数恢复不完美（β_var弱相关），PF的_?近1但部分参数ESS<1000（尾部分布探索有限）；稀疏数据下结论一致，CNF需谨慎设计摊销处理异质观测时序，PF天然通过序贯加权处理非等距与缺失而不需调整。

Reducing parameter dependencies improves posterior alignment：对双变异株SEIR重参数化版本（固定β_wt，重定义参数）的12个数据集，CNF与PF后验对齐紧密、无长尾行为，log参数空间Wasserstein距离较全模型更小且低于方法内基线，CNF–PF距离与独立运行变异性同阶；预测拟合相当、能量评分相近；全模型中部分数据集PF链不收敛或高_?低ESS（如r-2、r-5、r-6），重参数化后PF的ESS>2000、混合改善，CNF有轻微SBC误校准；重参数化未提升预测性能但改善可识别性与后验对齐，但固定β_wt在应用中需谨慎。

CNF and PF yield consistent results on real-world datasets：在埃塞俄比亚队列真实数据上，CNF与PF后验形状相似（PF更窄尤速率参数β_wt、β_var、γ_rec,wt），轨迹集合拟合数据好（一血清阳性点未在不确定区间内），预测能量评分均优于原发表参数集；诊断与模拟一致：CNF校准好但参数恢复不完美，PF收敛但I₀与E₀的ESS低；真实数据结果与模拟一致，CNF较宽覆盖vs PF较紧估计低ESS的权衡延续，预测均强。

讨论部分总结：公共卫生危机需随机模型现实建模但拟合难，本研究系统评估CNF与伪边缘粒子MCMC（PF）在随机区室模型的贝叶斯推理，涵盖合成与真实数据、不同模型结构与数据稀疏度，揭示后验几何与模型设计导致参数空间不确定性差异。小模型（SIS、SIR）中两者后验一致、预测准，CNF有轻微误校准但训练后可媲美精确MCMC且计算高效可摊销，PF与参考HMC高度吻合；复杂双变异株SEIR（非可识别、参数耦合）中两者拟合好预测相当，PF后验窄（粒子重采样集中于高似然区、尾部分布探索有限、初始值敏感），CNF后验宽、校准好但恢复不完美，稀疏数据定性结果不变但CNF需谨慎摊销设计、PF天然处理；重参数化改善对齐与PF混合，表明后验几何非仅方法本身；埃塞俄比亚数据验证模拟结论。计算上CNF约快10倍（训练后秒级推断、可GPU并行、可多推断摊销），PF序贯不可摊销、可改进滤波或MCMC采样器；局限包括SEIR无参考后验、高斯噪声假设、Euler-Maruyama截断误差、算法选择侧重实用（Bootstrap PF+PMMH、固定CNF超参、每实验训练非全局摊销）；未来可结合神经提议与粒子/MCMC、流匹配与扩散传输、自适应先验等。结论翻译：总之，比较表明CNF与PF均是复杂流行病模型可行推理策略，侧重参数空间探索与数据拟合不同；CNF倾向提供更广后验，PF通常产生更窄分布；CNF显著更低计算成本与摊销能力（约快10倍）利于大规模或时效应用，PF在伪边缘意义下保持精确性（牺牲尾部分布探索）是跨模型稳健选择；稀疏与缺失数据凸显两者适用性与鲁棒性；通过阐明权衡与性能洞察，为评估就绪的不确定性感知流行病预测与实时公共卫生决策支持的推理引擎奠定基础。