《GeoHealth》：An Explainable Machine Learning Framework for Predicting West Nile Virus and Uncovering Key Transmission Drivers
编辑推荐：
本研究引入了病媒智能（Disease Vector Intelligence, DVI），一个在EYWA（蚊媒疾病早期预警系统，EarlY WArning system for mosquito-borne diseases）生态系统中开发的可解释机器学习（M
本研究引入了病媒智能（Disease Vector Intelligence, DVI），一个在EYWA（蚊媒疾病早期预警系统，EarlY WArning system for mosquito-borne diseases）生态系统中开发的可解释机器学习（ML）框架。DVI整合了大规模地球观测（EO）、社会经济和估算的蚊虫丰度数据，以预测西尼罗病毒（WNV）病例的存在或不存在，并以高时空分辨率的风险评分表示。采用SHAP（SHapley Additive exPlanations）方法进行局部特征重要性分析，以揭示对预测具有高影响力的关键驱动因素。该框架由两个ML模型组成：一个旨在用作区域尺度的早期预警系统（EWS），另一个在2×2 km2网格尺度上识别易受WNV传播影响的区域，不受人为行政边界限制。两个模型均使用11年的历史WNV病例数据进行训练，并在希腊进行了验证。对两个模型的SHAP分析均显示，温度是WNV传播的关键驱动因素。第二个模型的精细空间分辨率揭示了低分辨率模型无法捕捉的微观尺度关键驱动因素，如海拔和土地覆盖类型。DVI模型可被卫生当局互补使用，以辅助其决策过程，并为影响WNV传播的重要驱动因素提供关键见解。
**论文解读：基于可解释机器学习框架的西尼罗病毒传播风险预测与驱动因素分析**
**一、研究背景与问题**
虫媒传染病（VBDs）对全球公共卫生系统构成重大威胁，占所有传染病的17%以上，每年导致超过70万人死亡。其中，蚊媒传染病（MBDs）如疟疾、登革热、寨卡、基孔肯雅热和西尼罗病毒病是造成死亡的主要原因。近年来，受气候变化、无计划城市化和全球旅行增加的影响，MBDs的地理范围正逐渐扩展至新的地区。流行病学研究表明，蚊虫及MBDs的传播受环境因素、气候条件（如温度和降水）、土地类型（如湿地）、社会经济因素（如无计划城市化）以及人类活动共同驱动。为缓解MBDs日益严峻的威胁，研究方向主要集中于建模蚊虫丰度和建模MBD病例或暴发。尽管已有大量研究利用统计模型和机器学习方法预测WNV风险，但现有模型在时空分辨率、输入特征全面性以及模型可解释性方面仍存在不足。因此，亟需一种既能高时空粒度预测传播风险，又能识别影响疾病传播关键因素的可解释预警系统，以支持卫生当局主动采取针对性干预措施。
**二、研究内容与主要发现**
本研究在EYWA生态系统中开发了病媒智能（DVI）框架，该框架整合了地球观测（EO）数据、社会经济数据、估算的蚊虫丰度数据以及11年（2010–2021年）希腊历史WNV病例数据，构建了两个可解释的机器学习模型：NUTS模型（基于NUTS3区域/月尺度）和GRID模型（基于2×2 km2网格/月尺度）。NUTS模型旨在作为区域尺度早期预警系统（EWS），GRID模型则用于识别不受行政边界限制的高传播风险区域。两个模型均采用XGBoost分类器，并通过SHAP方法进行全局和局部可解释性分析。研究结果显示，温度相关特征在两个模型中均为最重要的预测因子，其中平均地表温度（LST）和夜间平均温度贡献最大。GRID模型还识别出海拔和土地覆盖类型等微观尺度驱动因素，而这些在较低分辨率的NUTS模型中未被发现。在2021年留出年份的验证中，两个模型均表现出中等分类性能，能够识别出大部分阳性单元，但存在一定的误报。该研究为卫生当局提供了互补性的决策支持工具，有助于早期识别高风险区域并理解有利于病毒传播的环境条件。该论文发表于《GeoHealth》期刊。
**三、主要技术方法**
本研究主要采用了以下关键方法：（1）数据整合与时空协调，将EO数据、社会经济数据、MAMOTH预测的蚊虫丰度数据（2×2 km2/月分辨率）以及希腊国家公共卫生组织（NPHO）提供的WNV病例数据（原始1×1 km2/日分辨率）统一为NUTS3/月和2×2 km2/月两种时空分辨率的数据集；（2）特征工程，包括环境指数（NDVI、NDWI、NDMI、NDBI）及其邻域统计量、季节性温度累计特征、降水滞后累计特征、19个生物气候变量以及地理形态特征（海拔、坡度、坡向等）；（3）模型构建与验证，采用XGBoost梯度提升算法，结合循环特征编码、目标变量二值化与案例加权损失函数、类别不平衡处理（对GRID模型采用随机欠采样将不平衡比从224:1降至20:1），并设计了时间前向链式交叉验证、空间分块交叉验证和2021年留出年验证三种策略；（4）不确定性估计，采用10个不同种子的XGBoost集成模型计算预测标准差和Shannon熵；（5）可解释性分析，运用SHAP方法计算全局和局部特征贡献，并依据物理意义将特征分组以缓解共线性影响。
**四、研究结果**
4.1 NUTS模型结果
分类性能方面，NUTS模型在时间验证下表现较好（F1=0.54，召回率=0.70，PR AUC=0.513），而在空间验证下性能下降（F1=0.30，召回率=0.65，PR AUC=0.401），表明模型对未见地理区域的泛化能力有限。MAMOTH特征消融实验显示，去除蚊虫丰度特征后，时间验证下性能略有下降，而空间验证下影响有限甚至有反向效果，说明MAMOTH特征对未见区域的泛化能力较弱。2021年留出年验证中，模型在NUTS3级别识别出相当比例的阳性单元（召回率0.62）但精度有限（精确率0.42）。不确定性方面，模型对高概率预测表现出更高的不确定性和熵。模型解释方面，SHAP分析显示温度相关特征占据主导地位，其中平均夜间温度（lst_night_avg）影响最强，且存在明显的温度阈值效应；按类别聚合后，温度类贡献最大，其次为生物气候、时间、环境指数、降水、地貌、社会经济和昆虫学特征。
4.2 GRID模型结果
分类性能方面，采用欠采样配置后，GRID模型在两个验证方案下表现较为一致（时间验证F1=0.40，空间验证F1=0.46），明显优于使用完整不平衡数据集时的极低性能（F1≈0.06）。MAMOTH特征消融结果类似，时间验证下略有增益，空间验证下不稳定。2021年留出年验证中，模型在网格级别取得了召回率0.65、精确率0.38的中等性能，高风险区域形成空间聚集，且与记录病例位置部分吻合。不确定性分析显示，高概率预测伴随更高不确定性。模型解释方面，温度特征仍占主导，但地貌特征（如海拔elevation）重要性显著上升，表明精细分辨率下局部地形条件对传播风险影响更大。SHAP依赖图显示，平均LST存在约22–24°C的阈值转换区，而海拔与风险呈单调递减关系。分组重要性分析确认了温度和生物气候特征的支配地位，同时突出了地貌特征在细尺度下的重要性。
**五、讨论与结论**
讨论部分指出，DVI模型与已有研究相比，在时间分辨率（月度）和空间分辨率（4 km2）上实现了显著提升，尽管性能指标因任务难度增加而低于某些年度/粗尺度研究。温度阈值低于文献中常见的最适温度（约25°C），但符合实验证据显示Culex pipiens传播WNV在较低温度下受限的结论。降水与风险的关系复杂，与既往研究一致。GRID模型对海拔和土地覆盖的敏感性揭示了行政边界聚合会掩盖局地环境驱动因素。模型局限性包括WNV病例严重漏报、记录位置为疑似感染地点以及仅基于希腊数据训练。结论强调，EO驱动的机器学习能够利用广泛可得的数据源，在多个空间尺度上支持WNV风险的可操作评估；NUTS与GRID模型结合了区域预警与精细尺度风险制图的互补能力。未来工作应聚焦于提升空间泛化能力、纳入更强健的不确定性量化，并在更多区域进行实际应用验证。
