开发出火遍全球的新冠疫情地图的中国留学生，发表最新论文：利用AI大模型预测疫情

编辑丨王多鱼

排版丨水成文

新冠大流行期间，一份实时更新 的“全球新冠疫情数据可视化地图”火遍全球，该疫情地图 通过结合自动化数据采集与人工审核机制，成为全球多个国家政府、媒体引用最广泛的疫情追踪系统之一，单日访问量一度高达 20 亿。

这一地图的开发者是约翰·霍普金斯大学的两位中国留学生——董恩盛、杜鸿儒。

近日，杜鸿儒作为第一作者，在 Nature 子刊Nature Computational Science上发表了题为：Advancing real-time infectious disease forecasting using large language models 的研究论文。

该研究开发了一款多模态大型语言模型——PandemicLLM，通过融合多模态信息（包括文本形式的公共卫生政策以及基因组监测、空间和流行病学时间序列数据），采用人工智能与人类协作的提示词设计，来实时预测疾病传播。研究团队将该模型应用于美国的 COVID-19 疫情，预测性能显著优于现有模型。

该研究让大语言模型（LLM）化身疫情预报员，成功突破传统模型瓶颈，不仅能看懂政策文本、基因报告，还能提前 3 周预警疫情反扑，这项研究或将重塑公共卫生决策模式。

传统模型的“致命短板”

论文开篇直指现有疫情预测模型的四大痛点：

1、数据盲区：传统模型只能处理数字（例如病例数），对政策文本、病毒基因特征等关键信息“视而不见”；

2、变种响应慢：当奥密克戎新亚型 BQ.1 出现时，传统模型需重新训练，错过黄金预警期；

3、结果难解读：复杂的置信区间让决策者难以快速判断风险等级；

4、转折点误判：三分之二的模型曾在疫情拐点预测中失误。

革命性突破：把疫情预测变成“文本推理题”

该团队开发的 PandemicLLM 框架，创造性地实现三大突破：

1、多模态数据“翻译官”，通过 AI-人类协作提示词，将四类异构数据转化为模型能理解的“语言”：

• 政策文本 → 提炼防控力度变化（例如“学校从强制关闭转为建议关闭”）；

• 基因监测 → 解析病毒特性（例如“BQ.1 变种传播力比 BA.5 高 40%”）；

• 时空数据 → 转化为排名描述（例如“加州老年人口比例全美前五”）；

• 时间序列 → 用 GRU 神经网络编码关键趋势。

2、首创“五级趋势分类法”，摒弃易受数据干扰的数值预测，采用疾控中心认可的住院趋势五级分类：大幅下降、温和下降、稳定、温和上升、大幅上升，让决策者一眼可知风险等级。

3、“零样本”应对新变种，当 BQ.1 变种出现时，无需重新训练模型，只需在提示词中添加其特性描述：BQ.1 是奥密克戎亚型，对免疫逃逸能力增强，预计两周内成为主流毒株。模型立即响应，预测准确率提升 28.2%。

PandemicLLM 的疫情数据流和处理流程概述

人工智能与人类协作提示词设计概要

实战表现：全美大考

在覆盖全美 50 个州、长达 19 个月的测试中，PandemicLLM 的表现：

1、精度碾压传统模型

• 1 周预测准确率 56%（比最优传统模型高20%）；

• 3 周预测准确率 46.4%（误差率降低22%）；

• 模型规模越大表现越好：700 亿参数版本准确率达 57.1%。

2、置信度=可信度

• 当模型对“大幅上升”的判断置信度＞85% 时，实际发生概率高达 73%（1周）和 64%（3周）。

3、地域适应性

在疫情趋势一致的西部沿海、五大湖区表现最佳，而在政策多变的怀俄明州等地区仍有优化空间，因此，团队建议开发区域定制模型。

总的来说，这项研究不仅破解了多模态数据融合的难题，更开创了 AI 辅助公共卫生决策的新范式——下次疫情来袭时，决策者或许不再面对冰冷数字，而是获得一份“风险趋势解读报告”。

论文链接：

https://www.nature.com/articles/s43588-025-00798-6