EN中文

资源科学 >

2026 , Vol. 48 >Issue 3: 584 - 594

DOI: https://doi.org/10.18402/resci.2026.03.06

“AI+资源科学”专栏

人工智能在媒介生物传染病流行规律研究中的应用

  • 丁方宇 , 1, 2 ,
  • 杨淞乔 1, 2 ,
  • 李之超 1, 2 ,
  • 马甜 3, 4 ,
  • 王倩 5, 6 ,
  • 郑灿军 7 ,
  • 江东 , 1, 2
展开
  • 1 中国科学院地理科学与资源研究所， 北京 100101
  • 2 中国科学院大学资源与环境学院， 北京 100049
  • 3 耶鲁大学生物圈研究所， 康涅狄格州 06511
  • 4 耶鲁大学环境学院， 康涅狄格州 06511
  • 5 牛津大学纳菲尔德医学系热带医学与全球健康中心， 牛津 OX37LF
  • 6 玛希隆大学热带医学院玛希隆-牛津热带医学研究中心， 曼谷 10400
  • 7 中国疾病预防控制中心， 北京 102206
江东，男，安徽寿县人，研究员，研究方向为资源环境遥感应用。E-mail:

丁方宇，男，安徽滁州人，副研究员，研究方向为环境变化与人类安全。E-mail:

收稿日期: 2026-02-20

  修回日期: 2026-03-15

  网络出版日期: 2026-04-27

基金资助

中国科学院青年创新促进会会员项目(2023000117)

可桢-秉维青年人才计划项目(2025000061)

收起

Application of artificial intelligence in study of epidemiological patterns of vector-borne diseases

  • DING Fangyu , 1, 2 ,
  • YANG Songqiao 1, 2 ,
  • LI Zhichao 1, 2 ,
  • MA Tian 3, 4 ,
  • WANG Qian 5, 6 ,
  • ZHENG Canjun 7 ,
  • JIANG Dong , 1, 2
Expand
  • 1 Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2 College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 3 Yale Institute for Biosphere Studies, Yale University, Connecticut 06511, USA
  • 4 Yale School of the Environment, Yale University, Connecticut 06511, USA
  • 5 Centre for Tropical Medicine and Global Health, Nuffield Department of Medicine, University of Oxford, Oxford OX37LF, UK
  • 6 Mahidol-Oxford Tropical Medicine Research Unit, Faculty of Tropical Medicine, Mahidol University, Bangkok 10400, Thailand
  • 7 Chinese Center for Disease Control and Prevention, Beijing 102206, China

Received date: 2026-02-20

  Revised date: 2026-03-15

  Online published: 2026-04-27

Fold

摘要

随着气候变化加剧，全球新发和再发媒介生物传染病异常活跃，对人类健康造成了持续威胁。作为主要由蚊、蜱、螨等节肢动物媒介传播的一类疾病，其流行过程通常受自然环境、人文要素和生物因子的影响，呈现出显著的地域性分布。近年来，以大数据与算法驱动为核心的人工智能（Artificial Intelligence，AI）技术迅速发展，为媒介生物传染病流行规律研究提供了新的发展契机。本文在梳理了多种常见媒介生物传染病的时空流行特征基础上，从研究数据获取、影响因素分析和流行风险预警3个维度综述了AI赋能后的相关研究发展概况，并总结了其在该研究领域中面临的挑战。最后，本文对AI在媒介生物传染病流行规律研究中的应用做了展望。

关键词： 人工智能; 媒介生物传染病; 流行规律; 气候变化; 展望

本文引用格式

丁方宇 , 杨淞乔 , 李之超 , 马甜 , 王倩 , 郑灿军 , 江东 . 人工智能在媒介生物传染病流行规律研究中的应用[J]. 资源科学, 2026 , 48(3) : 584 -594 . DOI: 10.18402/resci.2026.03.06

Abstract

With the intensification of climate change, emerging and re-emerging vector-borne diseases have become increasingly active worldwide, posing a continuous threat to human health. These diseases, mainly transmitted by arthropod vectors such as mosquitoes, ticks, and mites, have epidemiological processes that are generally influenced by natural environmental conditions, human factors, and biological factors, exhibiting pronounced regional distribution characteristics. In recent years, artificial intelligence (AI) technologies, driven by big data and algorithms, have developed rapidly, providing new opportunities for studying epidemiological patterns of vector-borne diseases. Based on a review of the spatiotemporal epidemiological characteristics of various common vector-borne diseases, this study reviews the development of AI-enabled research from three dimensions: data acquisition, analysis of influencing factors, and epidemic risk early warning, while also summarizing the challenges faced in this field. Finally, this study offers prospects for the application of AI in the study of epidemiological patterns of vector-borne diseases.

Key words： artificial intelligence; vector-borne diseases; epidemiological patterns; climate change; prospects

1 引言

在人类历史进程中，传染病一直和战争、饥荒被列为人类生存和进步的主要挑战，是威胁全球人类生命健康的头号杀手之一[1]。2000年以来，严重急性呼吸系统综合征（2003）、甲型H1N1流感（2009，大流行）、脊髓灰质炎（2014）、西非埃博拉（2014）、寨卡病毒病（2016）、刚果金埃博拉（2019）、新冠病毒病（2020，大流行）和猴痘（2022）等新老传染病陆续造成全球性恐慌[2-5]，警示着人类与传染病的斗争还远没有结束。作为传染病的重要类型之一，媒介生物传染病是一种主要通过蚊子、蜱、螨等节肢动物媒介传播的寄生虫、病毒和细菌等病原体引发的人类疾病[6]。根据世界卫生组织（World Health Organization, WHO）“全球病媒控制对策2017—2030”，全球80%的人口居住在具有一种或多种媒介生物传染病的传播风险区，17%的全球传染病负担是由媒介生物传染病造成的，每年有超过70万人死于这类疾病[7]。由于气候变暖、城市扩张等因素，全球新发和再发媒介生物传染病异常活跃，警惕此类传染病从局部向区域乃至全球范围的快速扩散，对公共卫生安全防控具有重要意义。
与其他以人际传播为主的传染病不同，媒介生物传染病具有显著的地域性特征。其传播过程并非单一要素驱动，而是自然环境、人文要素和生物因子交互作用的结果[8,9]。因此，它本质上是一个耦合了“环境-媒介宿主-人类活动”的复杂系统。在这个系统中，任一环节的改变均可能打破原有平衡，进而引发流行风险的变化。正是这种传播过程的复杂性，对疾病研究在空间表达、过程刻画及风险预警等方面提出了较高要求。在此背景下，地理学与媒介生物传染病研究之间展现出高度的契合性。一方面，地理学聚焦于空间格局、过程及其相互作用机制，为从区域尺度系统剖析环境条件、媒介宿主分布与人群暴露之间的时空关联提供了理论基础；另一方面，地理信息技术通过对多源数据的集成、分析与可视化，为揭示疾病风险的空间差异、影响因素以及刻画流行格局的动态演变，提供了关键的技术支撑[10-12]。
科学认知媒介生物传染病流行规律具有重要的现实意义。一方面，中共中央、国务院于2016年印发的《“健康中国2030”规划纲要》提出，加强重大传染病防控，完善传染病监测预警机制。同时，我国法定传染病中，登革热、黑热病等重要媒介生物传染病防控都涉及病媒的控制[13]；2019年提出的《健康中国行动（2019—2030年）》进一步细化了相关实施路径。另一方面，联合国粮农组织、联合国环境规划署、世界卫生组织和世界动物卫生组织组成的四方合作机制于2022年正式发布《“同一个健康”联合行动计划》，重点关注被忽视的热带疾病和虫媒病等在内的六大领域的支持和能力建设[14]。同时，近年来“AI for Science”已逐渐成为全球科技创新战略的重要方向。在此背景下，以机器学习与深度学习为代表的AI技术驱动的科学范式正在加速转型，为媒介生物传染病流行规律研究提供了新的发展契机。

2 媒介生物传染病的时空流行特征

媒介生物传染病的病媒主要包括蚊、蜱、蚤、螨、蝇和白蛉等[15]。由于媒介栖息地和生长习性的差异，这类疾病在不同自然与人文环境背景下通常呈现出显著的空间异质性和季节性特征[16]，对公共卫生安全构成持续威胁。相关疾病流行概况见表1。
表1 常见媒介生物传染病流行概况

Table 1 Overview of epidemiological situation of common vector-borne diseases

媒介 疾病 病原体 动物宿主 流行地区
蚊 黄热病 黄热病毒 哺乳动物 中、南美洲及非洲中部地区
登革热 登革病毒 灵长类动物 东南亚、西太平洋和美洲地区
基孔肯雅热 基孔肯雅病毒 啮齿类动物、鸟类、小型哺乳动物 亚洲、美洲、非洲、欧洲
西尼罗河病 西尼罗病毒 鸟类、马 非洲、欧洲、中东、北美和西亚
裂谷热 裂谷热病毒 家畜 非洲
疟疾 疟原虫 灵长类动物 非洲、东南亚、中亚和中南美洲
寨卡病毒病 寨卡病毒 灵长类动物 非洲、南美洲、东南亚
蜱 森林脑炎 森林脑炎病毒 啮齿类动物、鸟类 俄罗斯及中国东北地区
莱姆病 伯氏包柔螺旋体 野生哺乳动物、家畜 北美、欧洲等
克里米亚-刚果出血热 蜱媒RNA病毒 野生哺乳动物 非洲、俄罗斯、中国西北和西南地区
发热伴血小板减少综合征 新型布尼亚病毒 家畜家禽 亚洲（中国、日本、韩国、越南、缅甸）
蚤 地方性斑疹伤寒 莫氏立克次体 啮齿类动物 在全球多个地区均有分布，热带和亚热带地区多见
鼠疫 鼠疫耶尔森菌 啮齿类动物、野生哺乳动物 在全球多个地区均有分布
螨 恙虫病 恙虫病立克次体 啮齿类动物 东南亚、澳大利亚及远东地区
肾综合征出血热 汉坦病毒 啮齿类动物 亚洲、欧洲、非洲、美洲
蝇 非洲锥虫病 布氏锥虫 家畜 西非、中非及东非地区
兔热病 土拉弗朗西斯菌 野兔、啮齿类动物 北美洲、欧洲、俄罗斯
白蛉 内脏利什曼病 杜氏利什曼原虫 野生动物、犬 中南美洲、东非、中亚、东亚
皮肤利什曼病 利什曼原虫 啮齿类动物 美洲、地中海盆地、中东和中亚
近几十年来，媒介生物传染病在全球范围内呈现快速上升的态势[17]。在美洲，西尼罗河病自1999年在美国暴发后迅速蔓延至美国所有州，每年报告新发病例8000余例，并持续向中美和南美地区扩散[18]。在亚非及欧美多地，基孔肯雅热自2004年以来在全球范围内快速传播，已在亚洲、非洲、欧洲及美洲的60多个国家报告病例[19]。自2015年起，寨卡病毒病与黄热病相继暴发，前者在巴西等中南美洲国家出现并呈现外扩趋势，后者在安哥拉和刚果民主共和国造成7334例感染病例及393人死亡[20]。作为全球传播速度最快的媒介生物传染病之一，登革热目前威胁着全球约5亿人口，其年龄标准化残疾调整生命年率近年在全球范围内上升了26%[21,22]。
在中国，新发和再发媒介生物传染病流行风险同样不容忽视。2010年，中国疾病预防控制中心专家从患者血清中分离出一种新型布尼亚病毒，并将其命名为发热伴血小板减少综合征病毒[23]。该病毒所致的发热伴血小板减少综合征（Severe Fever with Thrombocytopenia Syndrome Bunya, SFTS），首发于我国中部山区，且发病人数呈逐年上升趋势。2014年，广东、云南、福建和广西发生了一系列登革热爆发，病例数达60382例[24,25]。此外，2025年7月，广东省累计报告4824例基孔肯雅热本地病例[26]。上述数据表明媒介生物传染病正呈现全球扩散的流行态势，我国亦面临一定的本土防控压力。

3 人工智能赋能的媒介生物传染病流行规律研究

3.1 媒介生物传染病研究数据获取

3.1.1 自然环境数据获取

气候变化与土地利用等环境因素与媒介生物传染病的流行风险密切相关，因此在相关研究中，环境变量是不可忽视的关键要素[27]。以登革热为代表，随着气候变化加剧，这类气候敏感型传染病的传播范围与发病率正呈现出持续扩大的趋势[28]。在此背景下，高质量的环境数据成为在精细时空单元尺度上认知媒介生物传染病流行规律的重要基础。近年来，AI技术在气候数据降尺度、遥感数据校正等领域展现出显著优势，为实现环境数据的高精度获取与时空重建提供了关键支撑[29]。在全球变暖的气候背景下，温度是媒介生物传染病研究中的一项重要指标。Vandal等[30]基于卷积神经网络（Convolutional Neural Networks, CNN）提出了深度统计降阶（Deep Statistical Downscaling）框架，通过学习低分辨率气候模式输出与高分辨率观测数据之间的非线性映射关系，实现对全球近地表气温数据的多级空间降尺度处理。在降水数据方面，全球降水测量（Global Precipitation Measurement, GPM)[31]是应用最广泛的卫星降水产品之一，但其反演结果在山区和热带地区易存在系统偏差。为提高精度，Yao等[32]针对GPM引入随机森林（Random Forest, RF）模型对其进行校正，将GPM原始降水估计值与多种辅助变量作为输入特征，构建非线性回归模型，实现了对GPM降水数据的偏差订正与优化。相较于GPM，由欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts, ECMWF）发布的第五代全球大气再分析数据集（ECMWF Reanalysis v5, ERA5），在分析降水数据上具有时间连续性强的优势，但空间分辨率相对较粗。针对这一问题，Yao等[33]引入CNN对ERA5降水进行下垫面约束的空间降尺度处理，使得降水数据在空间细节表达与极端降水刻画方面得到改善。在土地利用与土地覆盖数据方面，MODIS MCD12Q1和Landsat系列影像是构建长期土地利用数据的重要来源。传统分类方法难以准确识别破碎化生境，近年来，随机森林和支持向量机（Support Vector Machine, SVM）被广泛用于MODIS等中分辨率影像的多类别分类，提升了农田、水体与林缘等媒介关键生境的识别精度[34]。对于Landsat和Sentinel-2等高分辨率影像，CNN通过自动提取空间纹理和上下文信息，在土地利用精细化制图中表现出显著优势。Boston等[35]利用2018年Landsat年影像构建的U-Net CNN模型显著提高了土地覆盖分类的总体准确率，同时在纹理信息表达与类别边界精细描绘方面学习能力更强。在植被指数数据方面，归一化植被指数（Normalized Difference Vegetation Index, NDVI）是描述生态环境状态和季节变化的常用产品。然而，受云污染和传感器限制，其时间序列常存在缺失。为此，Reddy等[36]通过长短期记忆网络（Long Short-Term Memory, LSTM）对NDVI时间序列进行建模，实现了对植被指数的近似重构与噪声平滑处理。近年来，一些研究发现，极端天气气候事件对媒介生物传染病的传播过程也存在一定的影响。例如，厄尔尼诺-南方涛动（El Niño-Southern Oscillation, ENSO）被认为是登革热等传染病周期性流行的关键驱动因素[37]。Ham等[38]利用CNN从全球海表温度场提取空间特征，实现对Niño3.4指数的提前6~12个月预测，提升了ENSO预测的准确性。

3.1.2 人文要素数据获取

人口分布、经济发展水平及公共卫生资源等人文因素在媒介生物传染病流行规律研究中同样发挥着重要作用[39]。传统统计数据通常具有空间分辨率较低或更新周期较长的局限，而利用AI技术融合遥感数据、社会经济统计数据及多源空间变量，可实现人文因素数据的精细化提取与空间重建。在人口分布方面，Stevens等[40]利用世界人口制图项目（World Population Mapping Project, WorldPop）[41]等高分辨率人口数据集基于随机森林模型，将人口普查数据与夜间灯光、土地覆盖、道路网络和地形因子等多源空间变量相结合，实现人口密度的精细化重建。在国内生产总值（Gross Domestic Product, GDP）数据获取方面，Kant等[42]发现，相较于传统动态因子模型和计量学方法，随机森林与支持向量机等机器学习模型在估算中有更高的精度。此外，Fotopoulou等[43]将卫星夜光等非传统数据与机器学习算法相结合，可以显著提升季度GDP的估算精度。在疫苗覆盖率数据方面，Chukwudi等[44]基于人口与健康调查（Demographic and Health Surveys）等数据，通过贝叶斯分层空间模型（Bayesian Hierarchical Spatial Model），生成了中低收入国家儿童疫苗覆盖率高精度分布图。

3.1.3 生物因子数据获取

生物因子是影响媒介生物传染病传播的重要组成部分之一，包括媒介物种分布、宿主关系等信息。传统数据主要依赖野外监测、实验研究及数据库整理获取，但这些方式往往更新周期长、空间覆盖有限，难以满足大规模研究需求。近年来，随着自然语言处理和深度学习技术的发展，从海量科学文献中自动识别和提取媒介相关信息逐渐成为生物因子相关数据获取的重要补充途径。科研文献中包含丰富的媒介物种分布、宿主关系等信息，但这些数据多以非结构化文本形式存在，人工汇总效率低且难以规模化。基于此背景，Cornlius等[45]开发了基于BioBERT的命名实体识别模型用于识别物种、性状和数值，处理了来自PubMed Central的2000篇开放获取论文，辨识了约656000个实体和339000个链接，构建了节肢动物性状数据库。研究表明，通过深度学习与自然语言处理（Natural Language Processing, NLP）方法，可以从全文或摘要中自动提取定量和定性特征信息[46]。Du等[47]将NLP技术与深度学习相结合，针对健康经济学和结果研究中的系统文献综合任务，开展了从全文文献中自动提取12类数据元素的研究工作，为构建结构化的知识库打下基础。这类技术在媒介生物领域同样具有潜力：通过训练专门针对媒介出现点位、媒介-宿主关系和传播事件的实体识别与关系提取模型，可以从大量文献中自动整理出媒介分布记录和时间信息，从而显著提高数据的完整性和时间更新频率。

3.1.4 媒介生物传染病数据获取

尽管近年来全球传染病监测与信息报告体系不断完善，但在媒介生物传染病研究中，病例数据的获取仍普遍面临覆盖不足与时效性滞后的结构性限制[48]。现有病例数据主要依赖医疗机构报告和被动监测体系，其完整性和及时性易受诊断能力差异、就医行为偏倚及报告流程延迟等因素影响，难以及时、全面反映疾病的真实发生态势，尤其在流行早期阶段或偏远地区更为突出[49]。对于媒介生物传染病而言，病例报告往往滞后于媒介扩散及环境风险变化，使得传统病例数据在时间上难以同步刻画传播过程的动态演变，在空间上亦可能低估潜在高风险区域的实际负担。在此背景下，大型语言模型（Large Language Models, LLMs）作为数字流行病学领域的新兴技术工具，为弥补传统监测体系的信息盲区提供了新的数据获取路径。LLMs能够对来自全球新闻媒体、社交媒体平台及官方公共卫生发布的海量多语言非结构化文本进行实时解析，通过事件识别、流行病学实体抽取和语义关联分析，捕捉正式病例报告之前的早期异常信号。已有研究表明，以BioCaster和EpiWatch为代表的系统[50,51]，借助自动化文本挖掘和自然语言理解技术，可在一定程度上提前识别新发或再现的疾病风险，为快速风险评估和早期态势感知提供及时情报支持，从而在传统病例监测之外，构建起更具前瞻性的补充性数据来源。

3.2 媒介生物传染病影响因素分析

在媒介生物传染病的传播过程中，疾病的发生与扩散是自然环境、人文要素与生物因子多层次耦合的结果。

3.2.1 自然环境影响分析

气候变化通过改变温度、降水及极端天气气候事件的频率和强度，深刻影响自然资源与生态环境的结构和功能，从而引发媒介生物传染病风险变化[52]。在大量流行病学与生态学研究的支撑下，不同类型的媒介及媒介生物传染病对气候条件变化表现出明显的响应差异，但总体上对温度、降水等气候因子的敏感性最为突出。Ding等[53]的研究表明，气温变化是影响埃及伊蚊与白纹伊蚊时空分布的核心因子之一。在我国，气温升高不仅显著缩短了病媒生物的发育周期、提高其存活率和繁殖效率，还通过延长媒介活动季节和病原体在媒介体内的复制窗口，增强了疾病传播的潜在强度。研究指出，登革热、基孔肯雅热等蚊媒疾病在气温升高背景下呈现出明显的传播季节提前和地理分布北移趋势[54]，而发热伴血小板减少综合征等蜱媒疾病亦对气温升高表现出较强的正向响应[55]。降水及水文条件变化是另一类对媒介生物传染病影响显著的环境因素。降水通过调节地表积水、水体稳定性和湿地范围，直接影响蚊类等水生或半水生媒介的滋生条件。研究显示，在我国南方地区，适度增加的降水有利于伊蚊种群扩张，从而推动登革热和寨卡病毒病的流行[56]；Brown等[57]的研究中，干旱会减少植被和广泛水源，从而导致蚊虫幼虫和某些蜱类种群受到压制；Nosrat等[58]发现，在部分干旱或半干旱地区，极端降水事件反而可能通过形成短期稳定积水，为蚊虫幼虫提供繁殖栖息地，从而提高蚊媒疾病的风险。同时，降水变化还通过影响植被覆盖和土壤湿度，间接改变蜱类等媒介的生境适宜性，进而影响蜱媒疾病的空间分布格局[59]。

3.2.2 人文要素影响分析

与温度、降水等自然气候变量不同，人口、社会经济等人文因素并不直接作用于病原体或媒介生物的生理生态过程，而是通过改变人群暴露模式、土地利用结构和医疗资源可及性等途径，间接塑造媒介生物传染病的发生风险[60]。不仅如此，Ge[61]的研究发现，在低GDP地区，高温对SFTS的促进作用更强，在高GDP地区，温度对SFTS的影响明显减弱。这表明社会经济条件并不是单纯增加或降低风险，而是改变气候暴露与疾病发生之间的关联强度和方向。在Ding等[62]针对SFTS的未来情景时空预测框架中，人口分布数据并不直接改变媒介生态条件，而是通过调节暴露人群规模与空间接触概率，决定在未来病例负担的空间聚集度。因此，人口变量更多地被认为是风险承载或放大因子，而非生态驱动因子。此外，Lim等[63]将GDP、城市化比例等社会经济变量作为核心构建了病毒监测能力模型，从而校正全球病例报告的空间偏倚，使环境适宜性估计更接近真实传播风险。这说明城市化、经济以及人口等人文因素通过塑造社会结构与公共卫生体系，从而在结构层面重构疾病的暴露与识别格局。

3.2.3 生物因子影响分析

在媒介生物传染病的传播体系中，宿主与媒介等生物因素是病原体维持和扩散的生物学基础。Fan等[52]的研究中，将蜱虫的环境适宜性指数纳入灌木斑疹伤寒的传播风险建模中，并发现病例数与蜱虫的栖息地适宜性呈正相关。Velu等[64]对伊蚊与库蚊进行环境适宜性建模后发现，登革热等病毒的空间分布潜力与蚊媒适宜性分布高度重叠。Carreto等[65]将气候因素结合蚊媒生物学参数如叮咬率、发育率等通过数学建模量化了媒介的传播能力，并在此基础上建立了病毒传播潜在空间分布图，结果与寨卡病毒、基孔肯亚热等病例数据进行对比后发现，传播指数高值区与实际病例高发区有较高一致性。

3.3 媒介生物传染病流行风险预警研究

在媒介生物传染病流行风险建模研究中，AI方法逐渐成为刻画复杂传播过程和提升预测能力的重要技术手段。相较于依赖线性假设和有限变量交互的传统统计模型，机器学习方法能够在无需预设函数形式的前提下，高效处理高维、多源和非线性数据[66]，为疾病传播规律的多尺度刻画提供了新的建模范式。
在时间尺度上，AI方法主要用于刻画媒介生物传染病的发生趋势、季节波动特征及短期预测能力[67]。其中，SVM因其在小样本条件下良好的分类能力和泛化性能，被较早引入媒介生物传染病的时间预测研究。Chohan等[68]基于SVM构建疾病预测模型，用于识别疾病发生过程中的关键特征模式；Ayalew等[69]进一步将SVM应用于疟疾等蚊媒疾病的时间预测分析，验证了其在处理非线性关系方面相较传统回归模型的优势，但同时指出该方法在刻画复杂变量交互和长期动态变化方面仍存在一定局限。随着数据规模和复杂度的提升，随机森林和极端梯度提升（eXtreme Gradient Boosting, XGBoost）等集成学习方法亦被用于疾病时间序列预测。Tian等[70]表明，XGBoost 通过逐步增强弱学习器，能够有效提升媒介生物传染病发生风险的预测精度和稳定性，尤其适用于高维时间特征的建模场景。总体来看，基于AI的时间序列建模方法不仅提升了对疾病流行动态的刻画能力，也为媒介生物传染病的早期风险识别与流行风险预警提供了重要的方法支撑。
在空间尺度上，AI方法主要用于刻画媒介生物及疾病风险的地理分布格局与环境适宜性。其中，增强回归树模型（Boosted Regression Trees, BRT）因其在捕捉非线性响应关系和处理复杂环境驱动机制方面的优势，被广泛应用于空间风险建模研究。Elith等[71]系统阐述了BRT在生态学和物种分布建模中的理论基础，指出该方法能够通过迭代构建回归树，稳健刻画环境变量与生物分布之间的非线性关系。基于这一优势，Messina等[72]将BRT应用于登革热和寨卡病毒的全球空间风险评估，通过整合多源气候数据和媒介分布信息，系统识别了关键气候驱动因素并划定了疾病高适宜区。上述建模方法提升了对媒介生物传染病空间风险格局的识别能力，为高风险区域的精准定位及流行风险的空间预警提供了技术支撑。
随着研究尺度由单一时间或空间维度向综合时空分析拓展，AI方法逐渐被用于同时刻画疾病传播的时间动态与空间异质性。随机森林模型因其在变量筛选和非线性交互建模方面的优势，被Asensio等[73]用于整合气象因子、环境变量和病例数据，实现登革热流行风险的时空预测。在此基础上，研究者开始探索多算法融合的建模框架。Satish等[74]提出了一种融合SVM与XGBoost的混合模型，通过结合SVM在边界判别方面的优势和XGBoost在复杂特征交互建模方面的能力，实现了对媒介生物传染病时空传播风险的综合刻画，并结合LASSO回归（Least Absolute Shrinkage and Selection Operator, LASSO）等正则化方法对高维变量进行筛选，以降低过拟合风险并提升模型可解释性。总体而言，AI驱动的时空耦合建模方法为构建更加精准的时空一体化流行风险预警体系提供了方法支撑。

4 存在问题与挑战

尽管AI在媒介生物传染病的数据获取、影响因素分析和流行风险预警中展现出巨大潜力，但现有研究也普遍指出，其实际应用仍面临多方面的结构性限制与挑战，主要体现在方法适用性、数据基础以及伦理与治理等层面。
在方法层面，当前AI模型在媒介生物传染病研究中多依赖监督学习和复杂的非线性结构，对训练数据分布高度敏感，模型的可迁移性和稳健性仍然不足。多项研究指出，AI模型往往在特定地区或特定时期内表现良好，但当环境条件、媒介组成或人类行为模式发生变化时，其预测性能可能显著下降[75]。对于媒介生物传染病而言，气候变化、土地利用调整及防控措施的动态变化进一步放大了这一风险，使得基于历史数据训练的模型难以长期稳定地支持决策。此外，部分高性能模型（如深度学习和集成学习）结构复杂、参数众多，其内部决策逻辑难以解释，限制了模型结果在公共卫生实践中的可理解性和可采信性[76]。
在数据层面，媒介生物传染病研究对多源数据具有高度依赖性，而数据获取和质量问题被认为是制约AI应用效果的瓶颈之一。媒介分布数据、宿主动物监测数据及病例监测数据等多源数据在实际应用中往往具有显著的异质性，且存在时空尺度不一致与长期数据缺失等问题[77]。Roy等[78]的研究指出，即使在新冠疫情之后，全球疾病监测体系的数据收集能力有所提升，但在传染病研究中，数据稀缺、不连续和代表性不足仍是普遍问题，若处理不当将显著影响模型的准确性。此外，媒介数据在很大程度上依赖文献汇总、野外调查和零散监测记录，不仅更新频率低，而且难以反映媒介种群的快速动态变化，这使得AI模型在捕捉短期风险波动和早期预警方面存在巨大挑战[79]。
在伦理与治理层面，AI在媒介生物传染病研究中的应用同样面临一系列亟须重视的问题。医学与公共卫生领域的研究普遍认为，AI系统并非价值中立，其训练数据和建模目标往往隐含社会结构、资源配置和制度差异，从而可能在风险评估和干预建议中产生不公平影响[80]。在媒介生物传染病情境下，这种风险尤为突出：一方面，模型可能因数据来源不均而低估资源匮乏地区或边缘人群的疾病风险；另一方面，基于AI的风险分区和防控建议若缺乏透明度和解释性，可能在公共卫生决策中引发责任归属不清和社会信任问题。AI在医学中的应用必须与严格的伦理审查、透明披露和持续评估机制相结合，否则可能在实际部署中带来潜在危害。此外，由于高性能AI模型往往由少数研究机构或商业主体开发，其算法细节和训练数据并不完全公开，这在一定程度上限制了模型的可重复性和独立验证能力，也为公共卫生领域的规范化应用带来新的治理挑战。

5 展望

针对前文提出的方法适用性、数据基础及伦理治理等方面的挑战，未来研究仍需在相关方向持续推进。在全球变化和新发、再发媒介生物传染病持续活跃的背景下，AI为疾病风险识别与防控研究提供了重要的发展契机。未来，AI在媒介生物传染病领域的应用有望从以结果预测为主的研究范式，逐步向机制认知、过程模拟及决策支持等更高层次应用方向拓展。一方面，随着遥感、再分析气象数据、移动信令数据及生态监测数据的持续积累，多源、高时空分辨率数据的融合将为AI模型提供更加坚实的数据基础，有助于提升疾病风险刻画的精细化水平。通过耦合AI、地理学和流行病学等多学科理论，构建兼具数据驱动优势与机制约束的混合建模框架，将成为提高模型稳健性和可解释性的关键方向。
另一方面，AI在媒介生物传染病流行规律研究中的作用将不再局限于单一尺度或单一要素，而是更加注重多尺度、多过程的协同分析。例如，将媒介生态位变化、宿主分布动态与人类活动模式纳入统一的空间建模框架，有助于系统揭示疾病传播风险在不同区域和时间尺度上的形成机制。在此过程中，可解释人工智能和因果推断方法的发展，将为理解复杂非线性关系提供新的技术路径，从而增强模型结果在公共卫生实践中的可用性和可信度。
同时，未来研究亟须推动开放数据平台和标准化数据共享机制的建设，并探索AI在数据补全、信息抽取和不确定性量化方面的应用潜力，以缓解媒介和病例数据长期稀缺的问题。在伦理与治理层面，建立面向公共卫生应用场景的AI规范体系，将是实现技术可持续发展的重要前提，包括模型透明性、风险沟通以及决策责任边界的明确等。
此外，虽然已有研究关注到干旱、高温热浪等极端天气气候事件对媒介生物传染病流行动态的影响，但大多聚焦于单一极端事件，有关复合极端天气气候事件影响的研究仍十分匮乏。未来研究可以在气候情景模拟基础上，结合AI方法，构建复合极端天气气候事件识别与风险响应模型，并耦合因果推断框架，以揭示极端天气气候事件叠加过程中的协同机制与风险阈值特征。这将推动媒介生物传染病流行规律研究从单一事件关联分析，向多过程耦合与动态模拟的方向转变。
总体而言，在跨学科协作和规范治理框架下，AI有望成为连接自然环境、人文要素、生物因子与媒介生物传染病防控实践的重要桥梁，为应对区域乃至全球媒介生物传染病流行风险提供更加科学和前瞻性的支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Morens D M, Folkers G K, Fauci A S. The challenge of emerging and re-emerging infectious diseases[J]. Nature, 2004, 430(6996): 242-249.

DOI

[2]
Li Z, Chen Q, Feng L, et al. Active case finding with case management: The key to tackling the COVID-19 pandemic[J]. The Lancet, 2020, 396(10243): 63-70.

DOI

[3]
Kohl K S, Arthur R R, O’Connor R, et al. Assessment of public health events through international health regulations, united states, 2007-2011[J]. Emerging Infectious Diseases, 2012, 18(7): 1047-1053.

DOI PMID

[4]
Roos R P. Zika virus: A public health emergency of international concern[J]. JAMA Neurology, 2016, 73(12): 1395-1396.

DOI

[5]
Sun Y Q, Chen J J, Liu M C, et al. Mapping global zoonotic niche and interregional transmission risk of monkeypox: A retrospective observational study[J]. Globalization and Health, 2023, DOI: 10.1186/s12992-023-00959-0.

[6]
Shaw W R, Catteruccia F. Vector biology meets disease control: Using basic research to fight vector-borne diseases[J]. Nature Microbiology, 2019, 4(1): 20-34.

DOI PMID

[7]
World Health Organization, UNICEF. Global Vector Control Response 2017-2030[R]. Geneva: World Health Organization, 2017.

[8]
Gubler D. Vector-borne diseases[J]. Revue Scientifique Et Technique (International Office of Epizootics), 2009, 28(2): 583-588.

[9]
Kilpatrick A M, Randolph S E. Drivers, dynamics, and control of emerging vector-borne zoonotic diseases[J]. Lancet, 2012, 380(9857): 1946-1955.

DOI PMID

[10]
张超, 陈丙咸, 邬伦. 地理信息系统[M]. 北京: 高等教育出版社, 1995.

[Zhang C, Chen B X, Wu L. Geographic Information System[M]. Beijing: Higher Education Press, 1995.]

[11]
秦其明. 地理信息系统世界[M]. 北京: 中国测绘工程规划设计中心, 1995.

[Qin Q M. Geographic Information System World[M]. Beijing: China Surveying and Mapping Engineering Planning and Design Center, 1995.]

[12]
边馥苓. 地理信息系统原理与方法[M]. 北京: 北京测绘出版社, 1996.

[Bian F L. Principles and Methods of Geographic Information Systems[M]. Beijing: Beijing Surveying and Mapping Press, 1996.]

[13]
中共中央, 国务院. “健康中国2030”规划纲要[EB/OL]. (2016-10-25) [2026-03-03]. https://www.gov.cn/gongbao/content/2016/content_5133024.htm?utm.

[Central Committee of the Communist Party of China, State Council. Outline of the Healthy China 2030 Plan[EB/OL]. (2016-10-25) [2026-03-03].

[14]
World Health Organization, United Nations Environment Program, World Organisation for Animal Health. One Health Joint Plan of Action (2022-2026):Working Together for the Health of Humans, Animals, Plants and the Environment[M]. World Health Organization, 2022.

[15]
许荣满. 我国虫媒病及其防制进展[J]. 中华卫生杀虫药械, 2001, (3): 3-6.

[Xu R M. Progress in vector-borne diseases and their control in China[J]. Chinese Journal of Hygienic Insecticides and Equipment, 2001, (3): 3-6.]

[16]
岳玉娟, 伦辛畅, 董朝良. 2005-2023年中国输入性登革热流行特征分析[J]. 热带病与寄生虫学, 2024, 22(4): 198-203.

[Yue Y J, Lun X C, Dong C L. Epidemiological characteristics of imported dengue fever in China from 2005 to 2023[J]. Journal of Tropical Diseases and Parasitology, 2024, 22(4): 198-203.]

[17]
刘起勇. 新时代媒介生物传染病形势及防控对策[J]. 中国媒介生物学及控制杂志, 2019, 30(1): 1-6.

DOI

[Liu Q Y. Epidemic profile of vector-borne diseases and vector control strategies in the new era[J]. Chinese Journal of Vector Biology and Control, 2019, 30(1): 1-6.]

[18]
Hayes E B, Komar N, Nasci R S, et al. Epidemiology and transmission dynamics of west nile virus disease[J]. Emerging Infectious Diseases, 2005, 11(8): 1167-1173.

DOI PMID

[19]
Weaver S C, Lecuit M. Chikungunya virus and the global spread of a mosquito-borne disease[J]. New England Journal of Medicine, 2015, 372(13): 1231-1239.

DOI

[20]
Kraemer M U G, Faria N R, Reiner R C, et al. Spread of yellow fever virus outbreak in Angola and the democratic republic of the Congo 2015-16: A modelling study[J]. Lancet Infectious Diseases, 2017, 17(3): 330-338.

DOI PMID

[21]
Haider N, Hasan M N, Onyango J, et al. Global dengue epidemic worsens with record 14 million cases and 9000 deaths reported in 2024[J]. International Journal of Infectious Diseases, 2025, DOI: 10.1016/j.ijid.2025.107940.

[22]
World Health Organization. Dengue and Severe Dengue[EB/OL]. (2025-08-21) [2026-04-04]. https://www.who.int/news-room/fact-sheets/detail/dengue-and-severe-dengue.

[23]
崔军, 黄崇艳. 发热伴血小板减少综合征的最新研究[J]. 临床血液学杂志, 2015, 28(8): 734-737.

[Cui J, Huang C Y. Latest research on severe fever with thrombocytopenia syndrome[J]. Journal of Clinical Hematology, 2015, 28(8): 734-737.]

[24]
岳玉娟, 任东升, 刘小波, 等. 2014-2018年中国登革热病例空间特征及相关关系研究[J]. 中国媒介生物学及控制杂志, 2020, 31(5): 517-520.

DOI

[Yue Y J, Ren D S, Liu X B, et al. A study on spatial characteristics and correlations of different types of dengue cases in China’s mainland, 2014-2018[J]. Chinese Journal of Vector Biology and Control, 2020, 31(5): 517-520.]

DOI

[25]
刘起勇. 2005-2020年我国媒介生物传染病报告病例: 流行趋势、防控挑战及应对策略[J]. 中国媒介生物学及控制杂志, 2022, 33(1): 1-7.

DOI

[Liu Q Y. Reported cases of vector-borne diseases in China, 2005-2020: Epidemic trend, challenges in prevention and control, and related coping strategies[J]. Chinese Journal of Vector Biology and Control, 2022, 33(1): 1-7.]

[26]
广东省疾病预防控制中心. 广东省基孔肯雅热监测信息(2025年7月20-26日)[EB/OL]. (2025-07-27] [2026-03-04]. https://cdcp.gd.gov.cn/ywdt/tfggwssj/content/post_4750007.html.

[Guangdong Provincial Center for Disease Control and Prevention. Chikungunya Surveillance Information in Guangdong Province (July 20-26, 2025)[EB/OL]. (2025-07-27) [2026-03-04]. https://cdcp.gd.gov.cn/ywdt/tfggwssj/content/post_4750007.html.]

[27]
Alqassim A Y. Social, behavioral and environmental determinants of vector-borne diseases: A narrative review of evidence and implications for integrated control approaches[J]. Journal of Vector Borne Diseases, 2024, 61(4): 525-535.

DOI PMID

[28]
李国栋, 张俊华, 焦耿军, 等. 气候变化对传染病爆发流行的影响研究进展[J]. 生态学报, 2013, 33(21): 6762-6773.

[Li G D, Zhang J H, Jiao G J, et al. Advances in impacts of climate change on infectious diseases outbreak[J]. Acta Ecologica Sinica, 2013, 33(21): 6762-6773.]

DOI

[29]
余雨棠, 余涛, 谢东海, 等. 数据驱动的多光谱卫星遥感大气校正[J]. 航天返回与遥感, 2025, 46(4): 101-115.

[Yu Y T, Yu T, Xie D H, et al. Data-driven atmospheric corrections for multi-spectral satellite remote sensing[J]. Spacecraft Recovery and Remote Sensing, 2025, 46(4): 101-115.]

[30]
Vandal T, Kodra E, Ganguly S, et al. DeepSD: Generating High Resolution Climate Change Projections Through Single Image Super-Resolution[C]. Halifax: ACM, 2017.

[31]
Smith E A, Asrar G, Furuhama Y, et al. International Global Precipitation Measurement (GPM) Program and Mission: An Overview[M]. Levizzani V, Bauer P, Turk F J. Measuring Precipitation from Space. Dordrecht: Springer Netherlands, 2007: 611-653.

[32]
Yao N, Ye J, Wang S, et al. Bias correction of the hourly satellite precipitation product using machine learning methods enhanced with high-resolution WRF meteorological simulations[J]. Atmospheric Research, 2024, DOI: 10.1016/j.atmosres.2024.107637.

[33]
Jiang Y, Yang K, Shao C, et al. A downscaling approach for constructing high-resolution precipitation dataset over the tibetan plateau from ERA5 reanalysis[J]. Atmospheric Research, 2021, DOI: 10.1016/j.atmosres.2021.105574.

[34]
Belgiu M, Drăguţ L. Random forest in remote sensing: A review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 24-31.

DOI

[35]
Boston T, Dijk A V, Thackway R. U-net convolutional neural network for mapping natural vegetation and forest types from Landsat imagery in southeastern Australia[J]. Journal of Imaging, 2024, DOI: 10.3390/jimaging10060143.

[36]
Reddy D S, Prasad P R C. Prediction of vegetation dynamics using NDVI time series data and LSTM[J]. Modeling Earth Systems and Environment, 2018, 4(1): 409-419.

DOI

[37]
Vincenti-Gonzalez M F, Tami A, Lizarazo E F, et al. ENSO-driven climate variability promotes periodic major outbreaks of dengue in venezuela[J]. Scientific Reports, 2018, DOI: 10.1038/s41598-018-24003-z.

[38]
Ham Y G, Kim J H, Luo J J. Deep learning for multi-year ENSO forecasts[J]. Nature, 2019, 573(7775): 568-572.

DOI

[39]
郭泽强. 登革热传播风险的影响因素研究综述[J]. 实用预防医学, 2018, 25(11): 1407-1409.

[Guo Z Q. Review of factors influencing transmission risk of dengue fever[J]. Practical Preventive Medicine, 2018, 25(11): 1407-1409.]

[40]
Stevens F R, Gaughan A E, Linard C, et al. Disaggregating census data for population mapping using random forests with remotely-sensed and ancillary data[J]. PloS One, 2015, DOI: 10.1371/journal.pone.0107042.

[41]
Tatem A J. WorldPop, open data for spatial demography[J]. Scientific Data, 2017, 4(1): 1-4.

[42]
Kant D, Pick A, Winter J de. Nowcasting GDP using machine learning methods[J]. AStA Advances in Statistical Analysis, 2025, 109(1): 1-24.

DOI

[43]
Fotopoulou E, Maduako I, Sbrancia M B, et al. Nowcasting economic growth with machine learning and satellite data[J]. IMF Working Papers, 2026, DOI: 10.5089/9798229037471.001.

[44]
Edson U C, Julia T, Victor A A, et al. High resolution age-structured mapping of childhood vaccination coverage in low and middle income countries[J]. Vaccine, 2018, 36(12): 1583-1591.

DOI PMID

[45]
Cornelius J, Detering H, Lithgow-Serrano O, et al. From literature to biodiversity data: Mining arthropod organismal traits with machine learning[J]. Biodiversity Data Journal, 2025, DOI: 10.3897/BDJ.13.e153070.

[46]
Paraskevopoulos S, Smeets P, Tian X, et al. Using artificial intelligence to extract information on pathogen characteristics from scientific publications[J]. International Journal of Hygiene and Environmental Health, 2022, DOI: 10.1016/j.ijheh.2022.114018.

[47]
Du J, Wang D, Lin B, et al. Use of deep learning-based NLP models for full-text data elements extraction for systematic literature review tasks[J]. Scientific Reports, 2025, DOI: 10.1038/s41598-025-03979-5.

[48]
杜明梅, 刘运喜. 我国传染病监测预警系统的发展与应用[J]. 中华医院感染学杂志, 2022, 32(6): 801-804.

[Du M M, Liu Y X. Development and application of infectious diseases monitoring and early warning system in China[J]. Chinese Journal of Nosocomiology, 2022, 32(6): 801-804.]

[49]
Methuku V. NLP and AI for public health intelligence: Automating disease surveillance from unstructured data[J]. ICCK Transactions on Emerging Topics in Artificial Intelligence, 2025, 2(1): 43-56.

DOI

[50]
Meng Z, Okhmatovskaia A, Polleri M, et al. BioCaster in 2021: Automatic disease outbreaks detection from global news media[J]. Bioinformatics, 2022, 38(18): 4446-4448.

DOI

[51]
Bashar M A, Nayak R, Balasubramaniam T. Deep learning based topic and sentiment analysis: COVID19 information seeking on social media[J]. Social Network Analysis and Mining, 2022, DOI: 10.1007/s13278-022-00917-5.

[52]
Fan P, Ma T, Meng Z, et al. Environmental conditions and mite vectors shape the spatiotemporal patterns of scrub typhus in guangdong province, mainland china[J]. Tropical Medicine and Infectious Disease, 2025, 10(11): 1-13.

DOI

[53]
Ding F, Fu J, Jiang D, et al. Mapping the spatial distribution of aedes aegypti and aedes albopictus[J]. Acta Tropica, 2018, 178: 155-162.

DOI PMID

[54]
Bai L, Morton L C, Liu Q. Climate change and mosquito-borne diseases in China: A review[J]. Globalization and Health, 2013, DOI: 10.1186/1744-8603-9-10.

[55]
刘起勇. 气候变化对中国媒介生物传染病的影响及应对: 重大研究发现及未来研究建议[J]. 中国媒介生物学及控制杂志, 2021, 32(1): 1-11.

DOI

[Liu Q Y. Impact of climate change on vector-borne diseases and related response strategies in China: Major research findings and recommendations for future research[J]. Chinese Journal of Vector Biology and Control, 2021, 32(1): 1-11.]

[56]
易彬樘, 张治英, 徐德忠, 等. 广东省登革热流行与伊蚊种群随气候因素变化的相互关系[J]. 卫生研究, 2003, (2): 152-154.

[Yi B T, Zhang Z Y, Xu D Z, et al. Relationship of dengue fever epidemic to aedes density changed by climate factors in Guangdong Province[J]. Journal of Hygiene Research, 2003, (2): 152-154.]

[57]
Brown L, Medlock J. Murray V. Impact of drought on vector-borne diseases: How does one manage the risk?[J]. Public Health, 2014, 128(1): 29-37.

DOI PMID

[58]
Nosrat C, Altamirano J, Anyamba A, et al. Impact of recent climate extremes on mosquito-borne disease transmission in Kenya[J]. PLoS Neglected Tropical Diseases, 2021, DOI:10.1371/journal.pntd.0009182.

[59]
Boulanger N, Aran D, Maul A, et al. Multiple factors affecting ixodes ricinus ticks and associated pathogens in european temperate ecosystems (Northeastern France)[J]. Scientific Reports, 2024, DOI: 10.1038/s41598-024-59867-x.

[60]
张梦真, 任周鹏, 范俊甫, 等. 基于多源地理数据的广州市精细尺度登革热传播风险预测[J]. 中国媒介生物学及控制杂志, 2023, 34(5): 654-663.

[Zhang M Z, Ren Z P, Fan J F, et al. Fine-scale dengue transmission risk prediction based on multi-source geographic data in Guangzhou, China[J]. Chinese Journal of Vector Biology and Control, 2023, 34(5): 654-663.]

[61]
Ge H H, Liu K, Ding F Y, et al. Combined effects of hydrological conditions and socioeconomic factors on the seasonal dynamics of severe fever with thrombocytopenia syndrome in China, 2011-2022: A modelling study[J]. The Lancet Regional HEALTH-Western Pacific, 2025, DOI: 10.1016/j.lanwpc.2025.101564.

[62]
Ding F Y, Ge H H, Ma T, et al. Projecting spatiotemporal dynamics of severe fever with thrombocytopenia syndrome in the mainland of China[J]. Global Change Biology, 2023, 29(23): 6647-6660.

DOI

[63]
Lim A, Shearer F M, Sewalk K, et al. The overlapping global distribution of dengue, chikungunya, zika and yellow fever[J]. Nature Communications, 2025, 16(1): 3418.

DOI

[64]
Velu R M, Kwenda G, Bosomprah S, et al. Ecological niche modeling of aedes and culex mosquitoes: A risk map for chikungunya and west nile viruses in Zambia[J]. Viruses, 2023, DOI: 10.3390/v15091900.

[65]
Carreto C, Gutiérrez-Romero R, Rodríguez T. Climate-driven mosquito-borne viral suitability index: Measuring risk transmission of dengue, chikungunya and zika in Mexico[J]. International Journal of Health Geographics, 2022, DOI: 10.1186/s12942-022-00317-0.

[66]
Jiang D, Hao M, Ding F, et al. Mapping the transmission risk of zika virus using machine learning models[J]. Acta Tropica, 2018, 185: 391-399.

DOI PMID

[67]
李之超, 董金玮, 刘起勇. 地理空间大数据与人工智能在城市登革热驱动因素识别与风险预测中的应用[J]. 中国媒介生物学及控制杂志, 2022, 33(3): 321-325.

DOI

[Li Z C, Dong J W, Liu Q Y. Application of geospatial big data and artificial intelligence in driving factor identification and risk prediction for urban dengue fever[J]. Chinese Journal of Vector Biology and Control, 2022, 33(3): 321-325.]

[68]
Tito M H, Arifuzzaman M, Rahman M S, et al. Predictive Modeling of Global Vector-borne Diseases: Leveraging Machine Learning for Intervention Strategies[C]. Manama: IEE, 2024.

[69]
Ayalew A M, Admass W S, Abuhayi B M, et al. Smart malaria classification: A novel machine learning algorithms for early malaria monitoring and detecting using IoT-based healthcare environment[J]. Sensing and Imaging, 2024, DOI: 10.1007/s11220-024-00503-3.

[70]
Tian N, Zheng J X, Li L H, et al. Precision prediction for dengue fever in Singapore: A machine learning approach incorporating meteorological data[J]. Tropical Medicine and Infectious Disease, 2024, DOI: 10.3390/tropicalmed9040072.

[71]
Elith J, Leathwick J R, Hastie T. A working guide to boosted regression trees[J]. Journal of Animal Ecology, 2008, 77(4): 802-813.

DOI PMID

[72]
Messina J P, Kraemer M U, Brady O J, et al. Mapping global environmental suitability for zika virus[J]. eLife, 2016, DOI: 10.7554/eLife.15272.

[73]
Javaid M, Sarfraz M S, Aftab M U, et al. WebGIS-based real-time surveillance and response system for vector-borne infectious diseases[J]. International Journal of Environmental Research and Public Health, 2023, DOI: 10.3390/ijerph20043740.

[74]
Satish E G, Haq Q M I, John Y M, et al. Predictive Modeling of Epidemic Diseases Based on Vector-borne Diseases Using Support Vector Machine with Extreme Gradient Boost[C]. Bhubaneswar: IEE, 2024.

[75]
Beam A L, Drazen J M, Kohane I S, et al. Artificial intelligence in medicine[J]. New England Journal of Medicine, 2023, 388(13): 1220-1221.

DOI

[76]
Panteli D, Adib K, Buttigieg S, et al. Artificial intelligence in public health: Promises, challenges, and an agenda for policy makers and public health institutions[J]. The Lancet Public Health, 2025, 10(5): 428-432.

[77]
Kraemer M U G, Tsui J L H, Chang S Y, et al. Artificial intelligence for modelling infectious disease epidemics[J]. Nature, 2025, 638(8051): 623-635.

DOI

[78]
Roy S S, Nguyen N T, Zuniga A, et al. Mission imputable: Effects of missing data processing on infectious disease detection and prognosis[J]. medRxiv, 2025, DOI: 10.1101/2025.02.15.25322351.

[79]
Wong F, de la Fuente-Nunez C, Collins J J. Leveraging artificial intelligence in the fight against infectious diseases[J]. Science, 2023, 381(6654): 164-170.

DOI PMID

[80]
Schwalbe N, Wahl B. Artificial intelligence and the future of global health[J]. The Lancet, 2020, 395(10236): 1579-1586.

DOI

Options
文章导航

/

〈 〉