2024-09-24 KDD2024：論文賞受賞研究発表〜データ駆動型社会における3つのAI革新〜

※本記事は、Alexander Rodriguez氏（ミシガン大学）による、ACM KDD2024カンファレンスでのDissertation Award Runner Up受賞講演の内容を基に作成されています。 本記事では、講演の内容を要約しております。なお、本記事の内容は原著作者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルの講演映像をご覧いただくことをお勧めいたします。 本講演の完全な映像は、以下のURLでご覧いただけます： https://www.youtube.com/watch?v=Wvvg0bjWw9I

1. 疫学における人工知能の役割

1.1. 現代における疫病の影響

私の博士論文研究は、疫病の監視とフォーキャストのためのデータ中心のAIに関するものです。この研究はジョージア工科大学で行われ、現在は私はミシガン大学の助教授として在籍しています。

疫病の拡大を見ると、皆さんもCOVID-19のパンデミック時によく見た地図があります。各地点で感染者数を示す円が表示され、時系列で見ると、その軌跡から疫病の歴史や現状、そして将来のトレンドを理解することができます。

これは過去の話と思われるかもしれませんが、実際には現在も社会に大きな影響を与え続けています。具体的な数字を挙げると、米国では2023年12月から2024年1月の1ヶ月間だけで、COVID-19による新規入院が約160,000件、新規死亡が11,000件発生しました。インフルエンザについても同様に、880,000件の新規入院がありました。これらの数字は1-2年間の累計ではなく、わずか1ヶ月間のデータです。

このように、疫病は依然として私たちの社会にとって非常に重要な問題であり続けています。疫病の拡大に対抗するため、世界中の公衆衛生機関が取り組みを行っています。例えば、世界保健機関（WHO）、米国のCDC、そして私の所属するミシガン州では保健福祉局（Michigan Department of Health and Human Services）があります。これらの機関は、状況の把握、公衆衛生の監視、将来予測、感染源の特定、データに含まれない感染の把握など、様々な課題に取り組んでいます。そして、そこから得られる情報をもとに、リソースの配分、個人のリスク評価、治療法の開発などの意思決定を行っています。

私の博士論文では、これらの課題のうち主に最初の2つ、状況認識と予測に焦点を当てました。これらの課題に対して、AIを活用したデータ中心のソリューションを開発し、予測モデリングを通じてデータと公衆衛生上の意思決定を結びつけることを目指しました。

1.2. 公衆衛生機関の課題と意思決定

疫病の拡大に対抗するため、世界中の公衆衛生機関は様々な課題と意思決定に直面しています。例えば世界保健機関（WHO）をはじめ、米国ではCDC、そして私の所属するミシガン州では保健福祉局（Michigan Department of Health and Human Services）などが、公衆衛生の最前線で活動しています。

これらの機関が取り組む主要なタスクと意思決定には以下のようなものがあります：

1. 状況理解：現在の感染状況を正確に把握し、分析すること
2. 公衆衛生監視：継続的なモニタリングと早期警戒システムの運用
3. 将来予測：感染拡大の予測モデルの構築と更新
4. 感染源の特定：アウトブレイクの発生源を追跡すること
5. 未報告感染の把握：データに含まれていない感染例の推定

これらの分析から得られた情報をもとに、機関は以下のような重要な意思決定を行う必要があります：

• リソースの配分：医療資源や人員の効果的な配置
• 個人のリスク評価：個々の市民の感染リスクの評価と対策
• 治療法の開発：効果的な治療プロトコルの確立

私の研究では、これらの課題のうち特に状況認識と予測に焦点を当てました。これは、リアルタイムでの意思決定を支援する上で最も重要な要素だと考えたためです。公衆衛生機関が直面するこれらの課題に対して、AIを活用したデータ中心のソリューションを開発することで、より効果的な意思決定支援を実現することを目指しました。

1.3. リアルタイム疫学対応の課題

リアルタイムでの疫学対応を考える上で、実際の状況を説明させていただきます。横軸に疫病週（epidemic week）、縦軸に疫病指標（この場合は発生率や週間死亡率）をプロットした図を想像してください。私たちが直面する主な課題は、現在の状況を正確に把握し、そこから将来何が起こりうるかを予測することです。

例えば、ある時点での感染動向を見ると、それは下降傾向を示すかもしれませんし、横ばいか、あるいは上昇傾向を示すかもしれません。トレンドだけを見ると下降すると予測したくなるケースでも、実際には上昇に転じることがあります。これは、リアルタイムでの予測が非常に困難であることを示しています。

この予測の困難さは、私たちが考慮しなければならない複数の指標が存在することに起因します：

• 実際の感染者数
• 接触率やコンタクトパターン
• その時点での症状を持つ人々の数
• その他の関連指標

将来の動向をより正確に把握するためには、これらの指標を総合的に分析する必要があります。しかし、これは容易なことではありません。多くの場合、データは不完全であり、また異なる指標間で矛盾する情報が得られることもあります。

例えば、パンデミックの初期段階、ワクチン接種が始まる前は、人々の移動が活発になれば感染活動が増加するという明確な関係がありました。しかし、ワクチン接種が普及した後は、この関係はより複雑で微妙なものとなりました。このように、時間の経過とともに指標間の関係性も変化していくため、リアルタイムでの予測はさらに困難になります。

このような課題に対応するために、私たちは複数の指標を統合し、それらの相互関係を理解した上で、より正確な予測を行うための方法論を開発する必要があります。これは単なる技術的な課題ではなく、公衆衛生における実践的な要請でもあります。なぜなら、これらの予測は実際の医療資源の配分や公衆衛生政策の決定に直接影響を与えるからです。

1.4. 新しいデータソースの活用

私たちの研究では、従来の公衆衛生データソースに加えて、新しい多様なデータソースを活用しています。例えば、以下のような革新的なデータソースを活用しています：

Safegraphは人々の移動データを提供し、接触パターンの代理指標として活用できます。Facebookからは症状に関するアンケート調査データを、Googleからは症状に関する検索データを入手しています。さらに、Kinsaからは家庭での発熱状況に関するデータを取得しています。

これらの新しいデータソースには、従来の公衆衛生データソースと比較して、以下のような大きな利点があります：

1. より高い感度（sensitivity）：微細な変化も捉えることが可能
2. より詳細な粒度（granularity）：より細かいレベルでの分析が可能
3. より高い適時性（timeliness）：リアルタイムに近いデータ取得が可能

さらに、近年の公衆衛生への関心の高まりにより、これらのデータの利用可能性も大幅に向上しています。このような新しいデータソースを活用することで、より包括的で迅速な疫学的分析が可能となっています。

これらのデータソースを統合することで、私たちは予測モデリングを通じてデータと公衆衛生上の意思決定をより効果的に結びつけることを目指しています。特に、深層順序モデルと科学的機械学習手法を開発することで、より正確で実用的な予測を実現しようとしています。

私の研究のビジョンは、データ中心のソリューションを通じて、データと意思決定を予測モデリングによって結びつけることです。具体的には「予測モデリングを通じて、どのようにしてデータと公衆衛生上の意思決定をより良く結びつけることができるか」という問いに取り組んできました。このアプローチにより、AIのデータ駆動型の柔軟性を疫学に導入することで、疫病の監視と予測の精度向上と機能拡張を実現できると考えています。

2. データ中心のソリューション開発

2.1. 予測モデリングを通じたデータと意思決定の接続

私の研究ビジョンは、公衆衛生のためのデータ中心ソリューションを開発することです。このビジョンの核心は、予測モデリングを通じてデータセットと意思決定を効果的に接続することにあります。具体的には、「予測モデリングを通じて、どのようにしてデータと公衆衛生上の意思決定をより良く結びつけることができるか」という問いに取り組んできました。

このビジョンを実現し、私の研究の命題を達成するために、以下の三つの主要な課題に取り組みました：

1. 異種混合マルチモーダルデータの活用： インフルエンザやCOVID-19の対応において、コンピュータビジョンのような応用分野と比較してデータが非常に限られています。さらに、複数のデータソースが相互に矛盾する可能性もあります。例えば、ワクチン接種前のパンデミック初期では、人々の移動が活発になれば感染活動が増加するという明確な関係がありましたが、ワクチン接種後はこの関係性がより複雑になりました。
2. リアルタイム設定での課題： 制御された環境での機械学習とは異なり、実際の現場ではデータ品質の問題が発生します。例えば、データの修正や更新が頻繁に行われ、これが予測の正確性に大きな影響を与えます。
3. データと疫学的知識の架橋： 長年にわたって開発されてきた疫学モデルの知見を活用し、精度の向上や定性的な問題への回答を可能にする必要があります。

このアプローチにより、AIのデータ駆動型の柔軟性を疫学に導入し、疫病の監視と予測において以下の改善を実現することを目指しています：

• より正確な短期・長期予測
• より正確なアウトブレイク検出
• 疫病のトレンドとの相関性の向上
• What-if分析の実現
• より実証的なデータ分析の実現

これらの課題に対して、深層順序モデルと科学的機械学習手法を開発することで、より効果的なソリューションの構築を進めています。この取り組みは、単なる技術的な改善だけでなく、実際の公衆衛生における意思決定の質の向上に貢献することを目指しています。

2.2. 深層順序モデルと科学的機械学習手法の適用

私たちは、疫病の監視と予測のために、複数のフレームワークを開発し、ニューラル疫病予測を実現してきました。この取り組みでは、データと意思決定を結びつけるために、特に三つの主要な技術的課題に焦点を当てました。

第一に、空間的な伝播をどのように学習プロセスに組み込むかという課題に取り組みました。疫病の拡大は地理的な特性を持つため、この要素を予測モデルに適切に反映させることが重要です。私たちは深層順序モデルを用いて、空間的な伝播パターンを効果的に捉えることを可能にしました。

第二に、複数のモダリティを持つデータの数量化に取り組みました。これは、先に述べたSafegraph、Facebook、Google、Kinsaなどの異なるデータソースからの情報を効果的に統合するためです。各データソースは異なる特性と粒度を持っているため、これらを適切に統合することで、より包括的な予測モデルを構築することができました。

第三に、データに内在する階層構造をモデルに組み込む方法を開発しました。公衆衛生データは、多くの場合、地理的な行政区分や医療システムの階層構造を反映しています。この階層構造を考慮することで、より現実に即した予測が可能になりました。

これらの技術的な取り組みを通じて、科学的機械学習手法を疫学の文脈に適用することができました。特に、従来の疫学モデルの知見を活かしながら、データ駆動型のアプローチを統合することで、より柔軟で精度の高い予測モデルを実現することができました。

これらの手法の適用により、短期および長期の予測精度が向上し、アウトブレイクの検出能力も改善されました。さらに、疫病のトレンドとの相関性も向上し、What-if分析などの高度な分析も可能になりました。これにより、公衆衛生機関の意思決定をより効果的に支援することができるようになりました。

2.3. 異種混合データの活用における課題

疫学分野におけるデータの活用には、特有の課題があります。私たちが直面する最も重要な課題の一つは、データの希少性です。例えば、コンピュータビジョンの応用分野では数千のデータポイントを活用できますが、インフルエンザやCOVID-19の対応においては、利用可能なデータが著しく限られています。

さらに、複数のデータソースを活用する際には、それらが互いに矛盾する情報を提供する可能性があります。この課題を具体的に説明するため、パンデミックにおける人々の移動データの例を挙げてみましょう。ワクチン接種が始まる前の段階では、人々の移動が活発になれば感染活動が増加するという明確な関係性が存在していました。しかし、ワクチン接種の普及後は、この関係性がより複雑で微妙なものとなりました。

また、各データソースの特性も大きく異なります：

• Safegraphの移動データは接触パターンの代理指標として機能
• Facebookの症状調査データは人々の自己報告に基づく情報を提供
• Googleの検索データは人々の健康への関心や懸念を反映
• Kinsaの発熱データは実際の症状の発生状況を示す

これらの異なるデータソースを効果的に統合するためには、以下の課題に対処する必要があります：

1. データの時間的な粒度の違い
2. 地理的なカバレッジの違い
3. データの信頼性の違い
4. 更新頻度の違い
5. 遅延やノイズの特性の違い

これらの課題に対処するため、私たちは新しい手法を開発し、異種混合データの効果的な統合を実現しました。特に、空間的伝播の学習プロセスへの組み込み、複数モダリティの数量化、そしてデータの階層構造の考慮など、複数のアプローチを組み合わせることで、より信頼性の高い予測モデルを構築することができました。この取り組みにより、各データソースの長所を活かしながら、短所を相互に補完することが可能となりました。

2.4. リアルタイム設定における問題点

リアルタイム設定における重要な課題は、データの品質管理です。通常の機械学習が行われる慎重に制御された環境とは異なり、実際の現場では様々なデータ品質の問題に直面します。この問題を具体的な例を用いて説明させていただきます。

COVID-19の入院率に関するCDCの報告データを例に取ってみましょう。1月1日時点でCDCが報告した入院率データ（緑色のライン）に基づいて、私たちのモデルは予測（青色のライン）を行いました。しかし、2週間後にデータは大幅に修正されました。CDCの説明によると、後から届いた記録を追加で集計したことにより、データが更新されたとのことでした。さらに2週間後、再び修正が行われ、その2週間後にも更なる修正が加えられました。

このようなデータの修正により、1月1日時点で行った予測は、実際のデータとは大きく異なる結果となってしまいました。なぜなら、私たちのモデルはこのようなデータ修正の現象を考慮していなかったからです。

この課題に対処するため、私たちは修正ダイナミクスの分析を行いました。赤い四角で示された部分を「修正シーケンス」に変換し、横軸を修正週として表現しました。これにより、以下の二つの重要な指標を計算することができました：

1. 修正エラー：初期状態と最終状態の間の誤差
2. 安定化までの週数：データが安定するまでに要する時間

このような分析を通じて、データ修正の問題が予測精度に与える影響を定量的に評価し、より適切な対処方法を開発することができました。リアルタイムでの予測において、データ修正の問題は避けて通れない課題です。しかし、このような課題を明確に認識し、適切な対処方法を開発することで、より信頼性の高い予測システムを構築することが可能となります。

この経験は、実世界のデータを扱う際には、データの品質管理が予測の精度に直接的な影響を与えることを示しています。そのため、私たちはリアルタイムデータの特性を十分に理解し、それに応じた適切な処理方法を開発する必要があります。

3. データ品質の課題

3.1. データ修正のダイナミクス分析

私たちの研究において、データ修正のダイナミクスは重要な分析対象となりました。例として、CDCのCOVID-19入院率データにおける修正プロセスを詳しく見てみましょう。

データ修正の分析のため、私たちは特定の時点のデータ（赤い四角で示された部分）に着目し、これを「修正シーケンス」として捉え直しました。この修正シーケンスでは、横軸を修正週として表現し、データがどのように変化していくかを追跡します。このアプローチにより、以下の重要な測定が可能となりました：

1. 修正エラーの測定：

• 初期状態と最終状態の間の誤差を定量化
• これにより、データの信頼性の初期評価がどの程度正確だったかを把握

1. 安定化時間の測定：

• データが安定状態に達するまでに要する週数を計測
• これにより、信頼できるデータとして使用可能になるまでの時間を予測

このような分析フレームワークを構築することで、データ修正の特性をより深く理解することができました。特に重要なのは、これらの修正パターンが単純な線形的な変化ではなく、複雑なダイナミクスを示すことが多いという点です。

この分析手法により、データ修正の問題に対する体系的なアプローチが可能となり、より信頼性の高い予測モデルの開発につながりました。私たちは、この分析結果を基に、データ修正を考慮した予測モデルの改良を行い、より正確な公衆衛生上の意思決定支援を可能にしました。

3.2. 30,000件の修正シーケンスの分析結果

私たちは、公開されている様々なデータソースから30,000件の修正シーケンスを収集し、包括的な分析を行いました。この大規模なデータセットの分析により、データ修正の問題が予想以上に深刻であることが明らかになりました。

分析の結果、以下の重要な知見が得られました：

最も注目すべき発見は、データの修正規模に関するものです。分析の結果、信号の半数以上において30%を超える修正エラーが発生していることが判明しました。これは、初期に報告されたデータと最終的に確定したデータの間に大きな乖離があることを意味します。

このような大規模な修正は、予測モデルの精度に重大な影響を及ぼす可能性があります。例えば、30%以上の修正が発生する場合、初期データに基づいて行った予測は、実際の状況を大きく誤って評価している可能性があります。

さらに、修正のダイナミクスが非常に多様であることも明らかになりました。これは、単純な補正や調整では問題を解決できないことを示しています。そのため、より洗練された学習アプローチを開発する必要性が明確になりました。

この分析結果は、データ修正の問題が散発的な現象ではなく、公衆衛生データにおける体系的な課題であることを示しています。そのため、このような修正を適切に処理できる予測モデルの開発が不可欠であることが明確になりました。

3.3. 修正エラーと安定化までの時間

30,000件の修正シーケンスの分析から、データの修正エラーと安定化に関する重要な知見が得られました。私たちの分析では、二つの重要な指標に着目しました。

まず、修正エラーについては、信号の半数以上で30%を超える修正が発生していることが判明しました。これは、初期に報告されたデータと最終的に確定したデータの間に著しい差異があることを意味します。このような大規模な修正は、リアルタイムの意思決定に重大な影響を及ぼす可能性があります。

次に、データの安定化までの時間については、平均で4週間を要することが分かりました。つまり、データが信頼できる状態に達するまでに約1ヶ月かかるということです。この期間は、公衆衛生における迅速な意思決定の必要性を考えると、非常に長い時間です。

さらに、修正のダイナミクスは非常に多様で複雑であることが明らかになりました。このため、単純な修正や迅速な補正では適切に対処できないことが分かりました。データの修正パターンは、線形的な変化ではなく、複雑な動的プロセスを示すことが多く、より洗練された学習アプローチが必要です。

これらの知見は、リアルタイムの予測システムを設計する上で重要な示唆を与えています。データの不確実性と修正の可能性を考慮に入れた、より堅牢な予測モデルの開発が不可欠であることが明確になりました。この課題に対処するため、私たちはより洗練された機械学習手法の開発を進めています。

4. 疫学的知識とAIの統合

4.1. 機械式疫学モデルの活用

疫学的知識とデータをどのように橋渡しするかは重要な課題です。疫学には100年以上にわたって開発されてきたモデルと知識の蓄積があり、これらを活用することで予測の精度を向上させ、定性的な問題にも答えることができます。

具体的には、機械式疫学モデル（mechanistic epidemiological models）には、大きく分けて二つのグループがあります：

第一のグループは、常微分方程式に基づくモデルです。その代表的な例がSIRモデルで、人口がどのように一つのコンパートメント（区画）から別のコンパートメントに移動するかを記述します。このモデルでは、いくつかの初期条件とデータが与えられれば、微分方程式を解くことで感染の広がりを予測することができます。

第二のグループは、エージェントベースモデルです。これは、複数の接触ネットワーク上で行動し相互作用する個々のエージェントのコレクションをコンピュータ上でシミュレーションするものです。このアプローチにより、より現実的な人々の行動とその相互作用を模擬することができます。

私たちの研究では、これらの従来の疫学モデルを機械学習モデルと接続することに取り組んできました。この統合により、疫学モデルの科学的な基盤と機械学習の柔軟性を組み合わせることが可能になります。このアプローチにより、以下のような利点が得られます：

• より長期の予測における精度の向上
• 疫病トレンドとの相関性の向上
• 科学的な基盤に基づく予測の解釈可能性の向上
• What-if分析の実現可能性

これらの機械式モデルを活用することで、単純なデータ駆動型アプローチでは捉えきれない疫病の動態をより正確に理解し、予測することが可能となります。

4.2. エージェントベースモデルの実装

エージェントベースモデルは、コンピュータ上で複数の接触ネットワークにおける個々のエージェントの行動とその相互作用をシミュレーションする手法です。私たちの研究では、このエージェントベースモデルを機械学習と統合するための新しいアプローチを開発しました。

具体的には、エージェントベースモデルを微分可能なバージョンに再構築することに成功しました。これは非常に重要な技術的進歩です。なぜなら、従来のエージェントベースモデルは離散的な性質を持ち、機械学習モデルとの直接的な統合が困難だったからです。

私たちのアプローチの革新的な点は、エージェントベースモデルを微分可能な形式に変換し、ニューラルネットワークと接続できるようにしたことです。これにより、バックプロパゲーションを用いた学習が可能となりました。その結果、以下のような利点が得られました：

1. モデルの柔軟性の向上：

• エージェントの行動パターンをデータから学習可能
• 接触ネットワークの動的な変化に対応可能

1. 予測精度の改善：

• エージェントの相互作用をより現実的に表現
• データに基づく挙動の自動調整が可能

1. 解釈可能性の維持：

• エージェントの行動原理が明確
• シミュレーション結果の直感的な理解が可能

この微分可能なエージェントベースモデルは、疫学における予測タスクにおいて特に有効であることが実証されました。従来の機械学習アプローチでは捉えきれなかった複雑な社会的相互作用を、より正確にモデル化することが可能となったのです。

4.3. 機械学習モデルとの統合

私たちは疫学的知識とAIを橋渡しするために、二つの革新的なアイデアを開発し実装しました。

第一のアイデアは、常微分方程式（ODE）のダイナミクスをニューラルネットワークに組み込むというものです。この統合により、ニューラルネットワークは二つの重要な能力を獲得しました：より良い長期予測性能と、疫病のトレンドとより強い相関を持つ予測能力です。ODEの数学的な構造をニューラルネットワークのアーキテクチャに組み込むことで、モデルは疫病の自然な動態をより正確に捉えることが可能となりました。

第二のアイデアは、ニューラルネットワークを機械式モデル、特にエージェントベースモデルのキャリブレーションに組み込むというものです。具体的には、エージェントベースモデルを微分可能なバージョンに再定式化し、ニューラルネットワークと接続できるようにしました。これにより、バックプロパゲーションを用いた学習が可能となり、モデル全体を一つのシステムとして訓練できるようになりました。

この統合アプローチにより、以下のような利点が得られました：

1. データ駆動型の柔軟性と科学的知識の組み合わせ
2. 長期予測の精度向上
3. より自然な疫病トレンドの捕捉
4. モデルの解釈可能性の維持
5. What-if分析の実現

これらの革新により、従来の機械学習アプローチや疫学モデル単独では達成できなかった予測精度と解釈可能性を実現することができました。この統合的なアプローチは、実際の公衆衛生の意思決定支援において、より信頼性の高い予測を提供することを可能にしました。

5. 実世界での影響と成果

5.1. CDCフォーキャスティングハブでの実績

私たちの研究は、実世界での応用において顕著な成果を上げることができました。特に注目すべき成果は、CDCフォーキャスティングハブでの実績です。

CDCフォーキャスティングハブは、米国疾病予防管理センターが主導する予測イニシアチブで、全米の研究者からの予測を集約し、それらを評価する重要なプラットフォームです。この取り組みにおいて、私たちのモデルは上位5モデルの一つとして認められました。

CDCのアプローチは非常に実践的です。彼らは研究者たちに予測を求め、それらの予測の正確性を評価します。特に興味深いのは、個々のモデルがブラックボックスであるかどうかという点にはあまり重点を置いていないことです。代わりに、各モデルの実際のパフォーマンスを重視し、それらを組み合わせてアンサンブルを構築するアプローチを取っています。

私たちのアプローチの強みは、データにより密接にアプローチできる点にあります。従来の方法と比較して、より実データに即した予測が可能となります。これは、特に短期的な予測において重要な利点となっています。

さらに、複数の研究が示しているように、このようなアンサンブルアプローチは、単独のモデルよりも一般的に優れたパフォーマンスを示します。私たちのモデルがこのアンサンブルの中で上位に位置づけられたことは、その有効性を実証する重要な成果といえます。

このような成功は、私たちのモデルの信頼性を示すだけでなく、実際の公衆衛生政策の意思決定に貢献できることを示しています。CDCのような重要な機関で採用されていることは、私たちの研究アプローチの有効性を裏付ける重要な証拠となっています。

5.2. データサイエンスコンペティションでの成果

私たちの研究チームは、複数のデータサイエンスチャレンジに参加し、顕著な成果を収めることができました。具体的には、参加したコンペティションで第1位と第2位を獲得しました。

これらの成果は、私たちが開発したアプローチの有効性を実証する重要な指標となっています。コンペティションでの成功は、以下の点で特に重要な意味を持ちます：

1. 客観的な評価： 異なるアプローチや手法との直接的な比較が可能となり、私たちの手法の優位性を客観的に示すことができました。
2. 実践的な検証： 実データを用いた実践的な環境での性能評価により、手法の実用性を確認することができました。
3. 技術的な検証： データの前処理から予測モデルの構築まで、一連のパイプラインの有効性を実証することができました。

これらのコンペティションでの成果は、単なる競争の勝利以上の意味を持っています。私たちのアプローチが、実世界の課題に対して効果的なソリューションを提供できることを示す重要な証拠となっています。特に、異種混合データの活用、リアルタイムでの予測、データ品質の課題への対処など、私たちが取り組んできた様々な技術的課題に対する解決策の有効性が実証されました。

これらの成果は、私たちの研究が理論的な提案に留まらず、実践的な価値を持つことを示しています。このことは、今後の公衆衛生分野におけるAI活用の可能性をさらに広げるものと考えています。

5.3. Deep CovidフレームワークのコンポーネントS

私たちは、Deep Covidと呼ばれる運用フレームワークを開発しました。このフレームワークは、以下の三つの主要なモジュールで構成されています。

第一に、データモジュールがあります。このモジュールは、先に説明した様々なデータソースからの情報を収集し、前処理を行います。Safegraphの移動データ、Facebookの症状調査、Googleの検索データ、Kinsaの発熱データなど、多様なデータソースを効果的に統合する役割を担っています。

第二に、予測モジュールがあります。このモジュールでは、複数のフレームワークを用いてニューラル疫病予測を実行します。特に、空間的な伝播の組み込み、異種混合データの数量化、階層構造の考慮など、私たちが開発した様々な技術的イノベーションが実装されています。

第三に、説明可能性モジュールを実装しています。このモジュールは特に重要で、予測がどのような根拠に基づいて行われているかを理解し、その適切性を検証する機能を提供します。これにより、私たちの予測がCDCに提出される前に、その妥当性を確認することができます。

これらのモジュールは相互に連携し、一貫した予測パイプラインを形成しています。各モジュールは独立して改善や更新が可能な設計となっており、新しい知見や技術を柔軟に取り入れることができます。このフレームワークは、CDCフォーキャスティングハブでの成功に大きく貢献し、実際の公衆衛生の意思決定を支援する上で重要な役割を果たしています。

6. 今後の展望

6.1. プライバシー保護機械学習の可能性

このドメインにおける将来の研究には、多くの刺激的な新しい課題が存在します。その中でも、プライバシー保護機械学習は特に重要な研究領域の一つです。

より詳細な予測や分析を行うためには、より粒度の細かいデータが必要となりますが、それに伴ってプライバシーの課題が生じます。特に、よりローカライズされた予測や、個人レベルでのリスク評価を行う際には、プライバシーの保護が不可欠となります。

これに対応するため、プライバシー保護機械学習の技術開発が急務となっています。例えば、以下のような技術の開発が必要です：

• 個人情報を保護しながら効果的な予測を可能にする手法の開発
• プライバシーを保持したまま異なるデータソース間で情報を共有する方法
• より詳細な地理的粒度でのデータ分析を可能にする安全な手法

また、より個人化された予測を提供する際にも、プライバシーの保護は重要な課題となります。個人が自身のデータを共有する代わりに、より正確なリスク評価や予測を受け取ることができるような、プライバシーを考慮したフレームワークの開発が必要です。

これらの課題に取り組むことで、より効果的な公衆衛生対策を実現しながら、同時に個人のプライバシーを確実に保護することが可能となります。この分野における技術革新は、今後の疫学研究と公衆衛生実践の両方にとって重要な意味を持つでしょう。

6.2. 計算社会科学との連携

疫病の拡大は純粋な医学的現象ではなく、社会的な要素が大きく影響します。例えば、マスク着用のような防護措置に対する人々の態度や行動は、疾病の拡大に直接的な影響を与えます。このような人間の行動と疾病の拡大の相互作用を理解するには、計算社会科学との連携が不可欠です。

計算社会科学との連携により、以下のような側面からの研究が可能となります：

1. 社会行動の分析：

• 人々の移動パターンと感染拡大の関係
• 社会的距離の確保に関する行動パターン
• 予防措置に対する遵守度の変化

1. 情報伝播の研究：

• 健康関連情報の拡散メカニズム
• 誤情報の影響とその対策
• リスクコミュニケーションの効果

これは単なる疫病の拡大の問題ではなく、社会的な課題でもあります。人々がどのように相互作用し、どのように情報を共有し、どのように行動を変化させるかを理解することは、効果的な公衆衛生対策の設計に不可欠です。

このような複雑な社会的相互作用を理解し、モデル化するためには、計算社会科学の手法と知見を積極的に取り入れる必要があります。これにより、より包括的で効果的な疫病対策の開発が可能となります。

特に、マスク着用や社会的距離の確保といった予防措置の効果は、純粋な医学的効果だけでなく、社会的な受容度や実施率に大きく依存します。このような社会的な側面を適切にモデル化し、予測に組み込むことが、今後の研究の重要な方向性となるでしょう。

6.3. 新たな研究機会

この研究分野には、数多くの魅力的な新しい研究機会が存在しています。私たちの研究成果を踏まえて、以下のような新たな方向性が見えてきました。

まず、不確実性の定量化に関する研究機会があります。より正確な予測を行うためには、予測の不確実性を適切に評価し、定量化する手法の開発が必要です。また、高性能コンピューティングの活用も重要な研究領域となっています。大規模なデータを効率的に処理し、リアルタイムの予測を可能にするための計算手法の開発が求められています。

自然言語処理とテキストマイニングの分野でも、新たな研究機会が生まれています。健康関連の情報や報告書から有用な知見を抽出し、予測モデルに組み込む手法の開発が期待されています。

さらに、人間とコンピュータの相互作用（HCI）に関する研究も重要です。予測結果を効果的に可視化し、意思決定者に分かりやすく伝える手法の開発が必要です。

これらの研究機会に対して、私たちは2022年から現在に至るまで、疫学のためのデータサイエンスに関する取り組みを続けています。また、最近では42ページにわたる包括的なサーベイ論文がNature Machine Intelligenceに受理され、まもなく公開される予定です。さらに、KDDやAAAIでのチュートリアルも開催してきました。

このような研究機会に興味をお持ちの方々との協力を歓迎します。特に、近い将来、PhD学生の受け入れも予定しています。私たちの研究は、AIのデータ駆動型の柔軟性が公衆衛生において有用であることを示し、公衆衛生が新しいAIの問題と解決策を動機づけることを実証してきました。今後も、これらの分野での革新的な研究を続けていきたいと考えています。