DengueNet: Dengue Prediction using Spatiotemporal Satellite Imagery for Resource-Limited Countries
作者: Kuan-Ting Kuo, Dana Moukheiber, Sebastian Cajas Ordonez, David Restrepo, Atika Rahman Paddo, Tsung-Yu Chen, Lama Moukheiber, Mira Moukheiber, Sulaiman Moukheiber, Saptarshi Purkayastha, Po-Chih Kuo, Leo Anthony Celi
分类: cs.CV
发布日期: 2024-01-20 (更新: 2024-01-23)
备注: Published at the IJCAI 2023 Workshop on Bridge-AI: from Climate Change to Health Equity (BridgeAICCHE)., Macao, S.A.R
💡 一句话要点
提出DengueNet以利用卫星影像预测登革热疫情
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)
关键词: 登革热预测 卫星影像 时空特征提取 视觉变换器 放射组学 长短期记忆网络 公共卫生 资源有限国家
📋 核心要点
- 现有的登革热预测方法多依赖于各国收集的繁重数据，导致信息不足和响应缓慢。
- 本文提出DengueNet，通过高分辨率卫星影像提取时空特征，利用云计算平台Sentinel Hub进行数据处理。
- 在哥伦比亚的实验中，DengueNet的平均绝对误差为43.92，显示出其在疫情预测中的有效性。
📝 摘要（中文）
登革热在卫生基础设施不足的发展中国家构成重大挑战，缺乏全面的医疗系统加剧了疫情的严重性。快速响应疫情的能力受到信息交流和整合不足的影响。尽管及时的疫情预测能够预防疫情爆发，但现有研究多依赖于各国收集的繁重数据。本文旨在通过高分辨率卫星影像作为非传统数据源，提升资源有限国家的健康公平性。我们提出了一种基于Sentinel Hub的可扩展卫星提取框架，并引入DengueNet架构，结合视觉变换器、放射组学和长短期记忆网络，从卫星图像中提取和整合时空特征，实现每周的登革热预测。实验结果表明，DengueNet在哥伦比亚五个市镇的平均绝对误差为43.92，证明了卫星影像在登革热预测中的有效性。
🔬 方法详解
问题定义：本文解决的是在资源有限国家中，如何有效预测登革热疫情的问题。现有方法依赖于繁重的手动数据收集，导致信息不足和响应延迟。
核心思路：通过利用高分辨率卫星影像作为数据源，DengueNet能够自动提取和整合时空特征，提供更为及时和准确的疫情预测。
技术框架：DengueNet的整体架构包括三个主要模块：视觉变换器用于图像特征提取，放射组学用于分析图像的定量特征，长短期记忆网络用于处理时序数据并进行预测。
关键创新：DengueNet的创新在于将视觉变换器与放射组学和长短期记忆网络结合，形成了一种新的时空特征提取和整合方法，这在现有的登革热预测研究中尚属首次。
关键设计：在网络设计中，采用了适应性学习率和特定的损失函数，以优化模型性能。模型训练使用了780幅高分辨率的Sentinel-2卫星图像，确保了数据的丰富性和多样性。
🖼️ 关键图片
📊 实验亮点
在实验中，DengueNet在哥伦比亚五个市镇的平均绝对误差为43.92，显示出其在登革热预测中的高效性。这一结果显著优于传统方法，证明了卫星影像在公共卫生领域的应用潜力。
🎯 应用场景
该研究的潜在应用领域包括公共卫生政策制定、疫情监测和应急响应等。通过提供准确的疫情预测，DengueNet能够帮助资源有限国家更有效地分配医疗资源，改善公共卫生状况，降低登革热的传播风险。未来，该方法还可扩展至其他传染病的预测与监测。
📄 摘要（原文）
Dengue fever presents a substantial challenge in developing countries where sanitation infrastructure is inadequate. The absence of comprehensive healthcare systems exacerbates the severity of dengue infections, potentially leading to life-threatening circumstances. Rapid response to dengue outbreaks is also challenging due to limited information exchange and integration. While timely dengue outbreak forecasts have the potential to prevent such outbreaks, the majority of dengue prediction studies have predominantly relied on data that impose significant burdens on individual countries for collection. In this study, our aim is to improve health equity in resource-constrained countries by exploring the effectiveness of high-resolution satellite imagery as a nontraditional and readily accessible data source. By leveraging the wealth of publicly available and easily obtainable satellite imagery, we present a scalable satellite extraction framework based on Sentinel Hub, a cloud-based computing platform. Furthermore, we introduce DengueNet, an innovative architecture that combines Vision Transformer, Radiomics, and Long Short-term Memory to extract and integrate spatiotemporal features from satellite images. This enables dengue predictions on an epi-week basis. To evaluate the effectiveness of our proposed method, we conducted experiments on five municipalities in Colombia. We utilized a dataset comprising 780 high-resolution Sentinel-2 satellite images for training and evaluation. The performance of DengueNet was assessed using the mean absolute error (MAE) metric. Across the five municipalities, DengueNet achieved an average MAE of 43.92. Our findings strongly support the efficacy of satellite imagery as a valuable resource for dengue prediction, particularly in informing public health policies within countries where manually collected data is scarce and dengue virus prevalence is severe.