夜雨聆风
# AI 正在改变传染病流行建模：从预测疫情到理解传播机制
当下一场疫情来临时，我们最想知道什么？
它会传播多快？
哪些地区风险最高？
现在的病例数是否被低估？
如果采取干预措施，疫情轨迹会如何改变？
这些问题正是传染病流行建模长期关注的核心。传统的数学模型和统计模型已经在疫情防控中发挥了重要作用，但面对真实世界中不完整、不规则、多来源的数据，仅靠传统方法往往难以及时给出稳定可靠的答案。
人工智能的快速发展，为传染病建模提供了新的工具箱。
一方面，AI 可以帮助模型更好地处理复杂数据。例如，在疫情早期，病例报告常常存在延迟、漏报和采样偏倚，AI 方法可以辅助进行数据补全、偏差校正和实时态势估计，使我们更接近疫情的真实状态。
另一方面，AI 可以提高模型计算效率。复杂的机理模型往往需要大量计算资源，参数推断可能耗时很长。通过生成模型、替代模型、变分推断等方法，AI 有望将原本需要数周的模型计算压缩到更短时间，从而加快模型迭代和政策评估。
更重要的是，AI 让传染病建模能够连接更多维度的信息。时间序列模型可以用于病例数预测，图神经网络可以刻画地区之间或个体之间的传播联系，基因组深度学习模型可以帮助识别潜在的新变异株和免疫逃逸风险。这意味着未来的疫情模型不再只是单一病例曲线的拟合，而可能成为融合病例、人口流动、环境、基因组和行为数据的综合分析平台。
不过，AI 并不意味着可以替代流行病学机制。
对于公共卫生决策而言，一个模型不仅要“预测得准”，还要能解释为什么这样预测、适用于什么条件、会带来什么不确定性。如果 AI 模型只是一个黑箱，即使短期预测效果很好，也未必能直接服务于政策制定。
因此，这项工作传递出的核心观点是：AI 的价值不在于取代传染病动力学模型，而在于增强模型回答关键流行病学问题的能力。未来真正有影响力的模型，应该同时具备数据学习能力、机制解释能力和政策转化能力。
对传染病建模研究者而言，这也提示我们：未来的建模框架需要更加开放。既要重视数学机制，也要吸收机器学习、计算统计、图模型、多模态数据分析等新方法；既要追求预测精度，也要关注可解释性、透明性和公共卫生决策中的实际可用性。
AI 正在改变传染病建模，但它最重要的角色不是“替代专家”，而是帮助我们更快、更全面、更负责任地理解疫情。
# AI + 机理模型：传染病建模正在形成新的方法图谱
近年来，人工智能在传染病预测中受到广泛关注。许多模型可以利用历史病例数据预测未来趋势，但一个重要问题始终存在：如果模型只知道“数据长什么样”，却不知道疾病“为什么这样传播”，它能否真正支持长期防控决策？
这正是“AI 与机理流行病学模型融合”受到关注的原因。
传统机理模型，例如 SIR、SEIR、个体模型和网络传播模型，能够描述疾病传播过程，解释感染、恢复、接触、干预等因素如何影响疫情发展。但这类模型也面临不少困难：参数难以准确估计，真实接触行为难以获得，多源数据难以自动纳入，复杂模型的校准和模拟计算成本较高。
AI 的优势则在于从复杂数据中学习模式。它可以处理病例时间序列、搜索数据、社交媒体、电子健康记录、移动数据、遥感图像等多种信息，也可以学习传统模型中难以直接表达的未知函数和时变参数。
因此，二者的融合不是简单地用 AI 替代机理模型，而是把 AI 的数据挖掘能力与机理模型的解释能力结合起来。
这项综述系统梳理了近年来 AI 与机理流行病学模型融合的研究进展。作者从大量文献中筛选出符合条件的研究，并总结出当前融合模型的主要应用场景：疾病预测、模型参数化与校准、干预评估与优化、既往疫情过程分析、传播推断和暴发检测。
其中，最核心的三类应用是：
第一，疾病预测。AI 可以学习时间序列中的复杂模式，而机理模型提供传播过程约束，两者结合有助于提升预测的稳定性和可解释性。
第二，参数校准。许多关键参数，例如传播率、接触率、干预效果等，往往随时间变化且难以直接观测。AI 可以帮助估计这些未知或时变成分，从而提高模型与真实数据的匹配程度。
第三，干预优化。强化学习、最优控制、替代模型等方法可以与机理模型结合，用于寻找更优的疫苗分配、隔离策略、检测策略或非药物干预方案。
从方法上看，当前研究已经形成多种融合框架。例如，AI 增强机理模型可以用神经网络替代模型中的未知参数或函数；物理信息神经网络和流行病学感知 AI 可以把微分方程约束写入损失函数；替代模型可以加速复杂个体模型或代理模型的模拟；强化学习可以把疫情模型作为环境，让智能体学习最优干预策略。
这类融合方法的意义在于，它们正在推动传染病建模从“单一模型预测”走向“数据—机制—决策一体化”。
不过，综述也指出，当前领域仍存在明显不足。许多研究仍集中在 COVID-19 场景，对其他疾病和多样化数据的探索不足；一些模型虽然方法先进，但与真实公共卫生决策之间仍有距离；对于人群行为、风险感知、生物机制和社会响应等因素的刻画也仍不充分。
因此，AI 与机理模型融合的下一步，不只是提出更复杂的算法，而是让模型真正理解疾病传播、适应真实数据、服务防控决策。
对于传染病动力学研究者来说，这一方向具有重要启发：未来的模型不应只停留在“拟合曲线”，而应进一步面向机制识别、参数学习、风险预警和干预优化，形成能够解释、预测并支持决策的综合建模框架。
