《Discover Public Health》：A scoping review of artificial intelligence applications for mpox preparedness, prediction, prevention, and surveillance in the era of emerging epidemics
编辑推荐：
摘要专业翻译
背景：2022–2024年猴痘（mpox，原称monkeypox）的全球再次暴发以及相继宣布的“国际关注的突发公共卫生事件”（Public Health Emergency of International Concern, PHEIC），暴露了
摘要专业翻译
背景：2022–2024年猴痘（mpox，原称monkeypox）的全球再次暴发以及相继宣布的“国际关注的突发公共卫生事件”（Public Health Emergency of International Concern, PHEIC），暴露了传统疾病准备、预测、预防和监测体系中的持续薄弱环节。人工智能（Artificial Intelligence, AI）与机器学习（Machine Learning, ML）提供了可扩展的工具以强化上述每一支柱，然而相关证据在诊断影像、流行病学预测、基因组分析、数字信息流行病学（digital infodemiology）及治疗发现等领域仍呈碎片化分布。
目的：系统性地梳理AI应用在猴痘流行连续谱中的范围、方法、性能及转化成熟度，并识别可为未来新兴流行病准备提供指导的研究缺口。
方法：研究人员遵循系统综述与元分析扩展首选报告条目——范围综述（PRISMA Extension for Scoping Reviews, PRISMA-ScR）框架开展范围综述。检索PubMed、Scopus、Web of Science、IEEE Xplore和Embase数据库，时间范围自建库至最终检索日期2025年9月30日。符合条件的记录集中于2018至2025年间。经去重及由单一评审者执行的两阶段筛选后，48项符合预设纳入标准的研究被提取并归入四个主题领域进行综合：诊断与检测、预测与预报、监测与数字流行病学、以及药物与疫苗发现。
结果：深度学习（Deep Learning, DL）图像分类器主导了诊断类文献，其报告的在区分猴痘皮肤病变与临床相似疾病方面的准确率及曲线下面积（Area Under the Curve, AUC）值约为0.83至0.99。时间序列及神经网络模型（ARIMA、LSTM、GRU及集成亚流行病框架）产生了可信的短期病例预测，而自然语言处理（Natural Language Processing, NLP）流程则实现了对公众情绪及错误信息的近实时追踪。AI辅助基因组监测、废水监测以及基于结构的药物和表位发现属于快速涌现但成熟度较低的领域。所报告的性能指标均为作者自报值，来源于异质性数据集和验证方案，未进行合并分析。在各研究中，小规模且不均衡的数据集、有限的外部验证以及薄弱的临床整合是被纳入的原始研究反复报告的共性问题。
结论：AI在增强猴痘的准备、预测、预防和监测方面展现出潜力，但多数工具仍处于概念验证阶段。前瞻性验证、公平的数据治理、可解释性以及与公共卫生工作流程的整合，是其在未来流行病中产生现实影响的前提条件。
论文主体内容专业总结
1 研究的新颖性
本范围综述的贡献主要体现在方法论与结构层面。首先，研究将明确预设的PRISMA-ScR方法应用于完整的“准备–预测–预防–监测”连续谱，而非局限于皮肤病变分类等单一模态。其次，研究引入了结构化的转化成熟度映射，将每项AI应用从概念验证到前瞻性验证的定位与其在原始研究中报告的方法学局限性相对应。最后，研究提炼出一个可迁移的缺口分析框架，该框架可重复用于评估AI针对下一种新兴或再发病原体的准备就绪程度。
2 背景与文献综述
猴痘是一种由猴痘病毒（monkeypox virus, MPXV）引起的人畜共患疾病，该病毒为双链DNA正痘病毒，历史上主要流行于中非和西非的热带雨林地区。首例人类病例于1970年在刚果民主共和国被记录。此后，全球发病率至少上升了十倍，发病中位年龄也从1970年代的幼儿转变为2010年代的年轻成人，这一趋势被广泛归因于常规牛痘疫苗接种的终止及交叉保护免疫力的下降。2017–2018年尼日利亚在沉寂四十年后再次出现猴痘，预示了更广泛的国际威胁。2022年5月，由clade IIb谱系B.1驱动的史无前例的多国暴发蔓延至一百多个此前未受影响的国家，世界卫生组织（World Health Organization, WHO）于2022年7月23日宣布PHEIC。一项涵盖16个国家528例感染的国际病例系列研究阐明了传播模式，该次暴发主要通过性网络传播。2024年，更致命的clade Ib在刚果民主共和国及邻国出现并快速传播，促使WHO于2024年8月14日第二次宣布PHEIC。传统疫情控制依赖症候群病例发现、聚合酶链反应（Polymerase Chain Reaction, PCR）实验室确认、接触者追踪和反应性疫苗接种，但受限于诊断延迟、与水痘等其他水疱性疾病临床表现重叠、流行地区实验室能力有限以及现代全球旅行的高速度。
2.1 用于诊断与检测的AI
最成熟的应用是基于图像的病变分类。卷积神经网络（Convolutional Neural Networks, CNN）及更新的视觉Transformer被训练用于区分猴痘病变与水痘、麻疹及健康皮肤，常报告较高准确率。一个被广泛引用的深度卷积网络（MPXV-CNN）在超过139,000张图像上训练，报告灵敏度为0.83–0.91，AUC接近0.97，并已部署于面向患者的网络应用用于早期自我评估。灰狼优化器、迁移学习、混合架构以及可解释AI叠加层（Grad-CAM、LIME、SHAP）等优化策略被用于提升性能与可解释性。除影像外，数据挖掘和集成方法也被应用于临床及人口学特征以进行早期病例检测。
2.2 用于预测与预报的AI
第二类研究应用AI预测疫情轨迹。经典时间序列自回归积分滑动平均（Autoregressive Integrated Moving Average, ARIMA）模型被用于预测2022年受影响最严重国家的日及累计病例数。人工神经网络、长短期记忆（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）等神经方法随后被证明能以具有竞争力的精度捕捉非线性疫情动态。集成亚流行病建模框架生成了具有量化不确定性的校准短期预测，为国家及全球层面的实时响应规划提供信息。
2.3 用于监测与数字流行病学的AI
第三领域利用非常规数据流。基于自然语言处理（NLP）的流程、主题建模及社交媒体情绪分析刻画了疫情期间的公众认知、情绪反应及错误信息传播。大规模Twitter数据集及深度学习叙事映射实现了近实时的信息疫情监测。AI增强的基因组监测追踪了谱系多样化、APOBEC3介导的突变特征及跨大陆传播链。一个新兴且创新的方向是将自动化废水病毒富集与AI模型相结合，以估算社区病例负担，提供主动的环境早期预警能力。
2.4 用于预防的AI：药物与疫苗发现
第四领域将AI应用于治疗与免疫预防。AI驱动的药物再利用及分子对接流程提名了MPXV靶点的候选抑制剂，包括将临床使用的抗逆转录病毒药物识别为广谱正痘病毒抑制剂。机器学习表位预测工具及PoxiPred等专用平台加速了针对正痘病毒的基于结构的理性疫苗设计，更广泛的框架将AI定位为连接疫苗设计、抗病毒发现与新兴病毒威胁现实世界监测的整合层。
2.5 研究缺口与目标
现有文献仍呈孤立状态，诊断、预测、监测和治疗研究很少被共同评估。现有综述往往聚焦于单一模态（最常见的是皮肤病变分类），很少跨领域审视数据集质量、外部验证、公平性或临床整合。本综述旨在弥补该缺口，目标包括：绘制AI/ML应用在猴痘准备、预测、预防和监测中的广度；总结各领域的数据来源、模型家族及报告性能；描述原始研究中报告的反复出现的方法学局限与转化障碍；以及为面向未来新兴流行病的AI赋能准备提出研究与政策议程。
3 方法
3.1 研究设计
本研究设计为范围综述，遵循PRISMA-ScR报告规范，并以Arksey和O’Malley框架为指导。研究问题、纳入标准、检索策略和提取方案在筛选开始前预先定义。
3.2 研究筛选流程
检索了PubMed、Scopus、Web of Science、IEEE Xplore和Embase五个电子数据库，时间从建库至2025年9月30日，并辅以Google Scholar、纳入研究的引文追踪及预印本服务器。检索词结合了受控词汇（MeSH）和标题/摘要自由文本术语。纳入标准为：应用AI、ML或DL方法处理猴痘相关准备、预测、预防、诊断或监测任务的同行评审原始研究或明确标注的预印本，以英文撰写。排除社论、无原始分析的评论、非猴痘研究及无任何可提取AI成分或结局的报告。标题和摘要由单一评审者筛选，随后对全文进行评估。由于由单一评审者执行筛选，未计算评审者间一致性统计量，此点被承认为局限性。
3.3 数据提取与数据整理
结构化数据提取表在五项研究上试点并迭代完善。提取内容包括文献信息、主题领域、AI/ML技术族、数据来源及样本量、验证策略及报告的最高验证级别、训练和验证数据的地理来源、主要性能指标及作者陈述的局限性。技术族进行了分类统一，包括深度学习、经典ML、时间序列/统计、NLP及生成式/基于结构的AI。未对缺失值进行插补，并严格执行不虚构政策。
3.4 统计检验与统计分析
与范围综述方法一致，主要综合为描述性和叙述性而非元分析性。定量提取结果以频率和比例总结，并可视化为时间和主题分布。报告的可比诊断指标（准确率和AUC）或预测误差指标（平均绝对百分比误差）以表格和图示进行描述性展示，以说明报告性能的范围。这些展示为未加权的作者自报值，非合并统计估计结果，不得直接合并或跨研究比较。未对提取数据执行新的推断性统计检验，也未进行正式的方法学质量评价或偏倚风险评估。
4 结果
检索识别出1,380条记录，经去重和两阶段筛选后，48项研究符合纳入标准。研究分为四个主题领域：诊断与检测（n=17）、预测与预报（n=13）、监测与数字流行病学（n=10）以及药物与疫苗发现（n=8）。发表活动集中在2022年暴发之后。
4.1 诊断与检测
17项研究涉及自动化检测，绝大多数通过皮肤病变图像分类实现。深度CNN架构（包括ResNet、VGG、DenseNet、EfficientNet、MobileNet和Inception变体）以及混合或Transformer模型是主导方法。报告的准确率和AUC值通常超过0.90，多个混合和优化模型报告值高于0.96。可解释AI技术被越来越多地纳入以可视化驱动预测的图像区域。值得注意的是，独立评估指出多个公开可用的猴痘图像数据集规模小、存在重复或方法学缺陷，这削弱了乐观的头条指标。所总结的指标为未加权的作者自报值，应视为乐观的实验室概念验证结果，而非经过验证的现实世界性能边界。
4.2 预测与预报
13项研究对疫情轨迹进行建模。ARIMA模型提供了2022年十个受影响最严重国家日及累计病例的可解释短期预测。比较分析发现，循环神经架构（LSTM和GRU）及集成亚流行病框架通常比经典模型降低了预测误差，但以可解释性和数据需求为代价。具有量化预测区间的集成方法持续准确预测了2022年疫情的下降趋势，展示了校准不确定性对响应规划的操作价值。
4.3 监测与数字流行病学
10项研究利用非传统数据用于监测。对数百万社交媒体帖子的情绪和主题建模分析刻画了公众关注、污名化和错误信息，其中中性情绪占主导。深度学习叙事映射在疫情早期区分了权威公共卫生信息与错误信息。与此同时，AI增强的基因组监测刻画了中国、印度尼西亚、泰国及全球范围的clade和谱系结构、突变特征及传播链。一个自动化废水富集机器人结合AI模型估算社区MPXV负担，展示了主动环境监测范式。
4.4 数据来源的地理代表性
为操作化公平性关切，研究绘制了纳入研究训练和验证数据的地理来源，并与承担最高猴痘负担的国家进行对比。数据来源经常报告不足，尤其诊断影像研究主要依赖公开的、网络抓取的来源不明或混合地理来源的图像库，而非前瞻性收集的临床队列。在可确定来源的情况下，数据绝大多数来自高收入或非流行地区。重要的是，没有一项诊断影像研究报告使用来自非洲患者队列的前瞻性收集、临床确诊图像进行开发或验证。而2022–2024年最高猴痘负担落在刚果民主共和国、尼日利亚、布隆迪及邻近非洲国家，这一AI训练数据地理来源与疾病负担地理分布之间的错配证实了公平性缺口。
4.5 药物与疫苗发现
8项研究将AI应用于通过治疗手段实现预防。AI引导的分子对接和结合姿态元动力学提名了新的MPXV靶点和再利用候选药物，一个结构化AI流程识别出抗逆转录病毒药物比克替拉韦（bictegravir）和依曲韦林（etravirine）作为在类器官模型中对多种clade具有活性的广谱正痘病毒抑制剂。机器学习表位发现和PoxiPred平台加速了理性疫苗抗原选择。
5 讨论
本综述整合了48项研究的证据，表明AI已被应用于猴痘响应的每个操作支柱。最清晰的成熟度在于诊断图像分类，多个架构报告了区分猴痘病变与临床相似疾病的高准确率，至少一个模型已进展至面向患者的应用。预测建模同样发展良好，神经和集成方法提供了可指导资源分配的校准短期预测。监测和治疗应用虽高度创新，但相对不成熟。跨领域主题包括：报告的性能指标常源自小规模、不均衡或方法学有缺陷的数据集，头条指标应被解释为有利条件下的上限而非经过验证的现实性能；外部和前瞻性验证罕见，多数模型仅基于内部留出划分评估，跨肤色、临床环境和病毒clade的泛化性基本未经检验；可解释性处理不均，临床上有意义的可解释性和前瞻性临床医生参与评估仍是例外；公共卫生工作流程整合尚处于萌芽阶段。总体而言，AI应被视为对传统流行病学、实验室诊断和临床判断的补充而非替代，近期最大价值在于增强人类能力。
6 局限性
作为范围综述，本研究绘制广度而非正式评价纳入研究，未进行正式方法学质量或偏倚风险评估。筛选和提取由单一评审者执行，无重复独立筛选，可能增加选择或提取错误风险。许多原始研究对数据集地理来源报告不足，地理映射反映的是现有最佳证据而非完整提取。检索限于英文文献和五个数据库，可能遗漏相关非英文或未索引工作。领域快速演变意味着检索窗口后发表的研究未被纳入。任务定义、数据集和结局报告的异质性限制了直接跨研究比较，依赖作者自报指标可能引入乐观报告偏差。
7 结论与未来方向
AI有潜力扩展猴痘准备、预测、预防和监测的工具箱。深度学习诊断和神经预测是最成熟的应用，而AI赋能的基因组监测、废水监测、信息流行病学和基于结构的治疗发现代表快速推进的前沿。然而，该领域以回顾性、单中心、概念验证研究为主，外部验证有限，临床整合薄弱。未来工作应优先：构建反映流行非洲人群的、大规模、多样化且合乎伦理治理的多clade数据集；强制进行针对临床和公共卫生终点的前瞻性和外部验证；嵌入可解释性和临床医生参与评估；将AI输出整合至可互操作的监测和实验室系统；开发可快速重新部署于下一种新兴流行病的病原体无关、可迁移模型。以公平为中心、经前瞻性验证且协调一致的方法，对于将AI的潜力转化为可衡量的公共卫生影响至关重要。
7.1 关键要点
AI应用现已覆盖猴痘流行连续谱的完整范围：诊断、预测、预防和监测，但各领域成熟度差异显著。深度学习病变分类器和神经预测模型是最成熟的工具，多个报告高准确率，至少一个已进展至面向患者部署。小规模、不均衡或有缺陷的数据集以及外部前瞻性验证的近乎缺失，可从现有文献推断为现实世界转化的主要障碍。公平性是核心关切：训练数据对承担最高猴痘负担的非洲人群代表性不足。未来准备取决于经前瞻性验证、可解释、可互操作且合乎伦理治理的AI系统，而非反应性的单一模态原型。
