CHALLENGES OF ANALYSIS AND EVALUATION OF PUBLIC HEALTH RISKS BASED ON THE USE OF MACHINE LEARNING METHODS

В настоящее время воздействие разнообразных антропогенных факторов различной природы оказывает все большее пагубное воздействие на экологическое равновесие и общий техногенный уровень, что отрицательно сказывается, в том числе, и на здоровье человека

В контексте данной проблемы актуальность приобретает регулярный и четко регламентированный подход оперативного мониторинга и оценки степени загрязненности, позволяющий учесть различные факторы, а также сформировать оценку риска критичности экосистемы с точки зрения нанесения вреда населению

Для решения последней обозначенной задачи целесообразным является применение современных технологий, базирующихся на элементах искусственного интеллекта (ИИ), в частности, актуальным является разработка и адаптация моделей машинного обучения (МО) для интеллектуального анализа данных по различным экологически значимым факторам. Данная обоснованность обусловлена возможностью МО автоматизировать процессы поиска скрытых взаимосвязей между различными факторами в данных, в том числе посредством имплементации механизмов обучения и гибкости для сведения задач к моделям классификации, регрессии или других типовых сценариев

Цель работы заключается в исследовании возможностей и особенностей использования различных методов МО для задач интеллектуального анализа экологических данных по выявлению рисков пагубного воздействия на здоровье населения.

В контексте рассматриваемой проблематики высокую значимость как в региональных, так и в планетарных масштабах, приобретает проблема выявления и классификации состояния окружающей среды по допустимым и недопустимым уровням с точки зрения безопасной жизнедеятельности человека, а также поиск и выработка целевых мер по обеспечению процессов снижения рисков здоровья населения.

Анализируя актуальность обозначенной проблематики, следует отметить, что к ключевым категориям факторов пагубного воздействия на здоровье населения техногенного характера можно отнести:

- загрязнение атмосферного воздуха по причине поступления различных химических или биологических выбросов; 

- снижение качества водных объектов, в том числе отравление обитателей рек, морей и океанов, которые затем используются населением в пищу; 

- загрязнение земельных участков химическими удобрениями и промышленными отходами;

- радиационные загрязнения; 

- прочие факторы

Количественно выполнить оценку уровня влияния негативных экологических факторов на здоровье населения достаточно сложно в ручном режиме, в том числе в связи с неоднородным характером, большим объемом данных и наличием различных трудноформализуемых признаков различного рода (социальные, производственные, антропогенные, природные аномалии и др.). Поэтому рациональным подходом для автоматизации оценки значимости оказываемого вреда загрязняющих веществ на течение и проявление человеческих заболеваний, а также для формирования прогнозных оценок рисков воздействий вредных веществ являются методы имитационного моделирования, МО и прикладные информационные технологии

Анализируя опыт различных зарубежных и отечественных авторов по применению МО, следует отметить ряд важных аспектов и особенностей имплементации предиктивных моделей. В частности, в статье

Несколько другим образом, в работе

Наряду с рассмотренными работами, в исследовании

Не менее интересным и научно-практически значимым является исследования отечественного автора

Таким образом, следует отметить, что результаты этапа оценки значений риска на базе применения МО могут быть использованы для идентификации приоритетности, целесообразности и срочности внедрения санитарно-гигиенических и профилактических мероприятий, целью которых является снижение негативного влияния экологической обстановки на здоровье населения.

Следует отметить, что в данном контексте оценка риска подразумевает проведение ряда вычислительных и исследовательских процедур, связанных с задачей анализа токсикологических, гигиенических и других данных (характеризующих факторы воздействия) для расчета численного значения вероятности пагубного воздействия окружающей среды на организм отдельного человека и населения в целом. 

Концепции оценки рисков, используемые на практике, часто базируются на понятиях анализа расчетных значений и выработки управляющих процедур. Базовым аспектом является оценка зависимости дозы вредного фактора к ответным реакциям организма человека. Это позволяет численно оценить значение отрицательного фактора на здоровье населения, способствуя выявлению неочевидных причин появления заболеваний у людей

-  идентификация типа и масштаба опасности;

- численная оценка дозы негативного воздействия (поиск корреляции между объемом вещества и значимостью ущерба);

- оценка склонности населения к возникновению негативных факторов в здоровье;

- характеристика потенциального риска (оценка возможного объема убытков и формализация неопределенностей в процессе вычислений).

Таким образом, рациональным подходом в оценке рисков здоровью населения является МО, позволяющее обеспечить обработку и анализ данных больших объемов и разной степени структурированности, что характерно для экологического контекста

МО в своем современном состоянии является интегрированной научной сферой, совмещающей ряд математических, вероятностных, статистических положений, а также отдельные аспекты из теории оптимизации, дискретного моделирования и анализа, численных методов и методов обработки данных, областью применения которой часто является поиск скрытых закономерностей в информации, генерации знаний из входных данных.

В современном МО инкапсулируются разнообразные методы обучения создаваемых математико-логических моделей, в частности:

1. Аналитическое обучение, выражаемое в формировании модели МО на основе формализованных знаний экспертов, что актуально для применения в области разработки прикладных систем поддержки принятия решений (СППР) и объектно-ориентированных экспертных системах (ЭС). В процесс обучения включаются этапы поиска закономерностей, задания логических правил на базе аппарата формальной или нечеткой логики, составления наборов, проверенных фактов для создания наборов правил соответствия. С точки зрения оценки рисков здоровью населения построение таких моделей МО является довольно трудоемким и затратным процессом в силу длительности процессов получения, валидации, верификации и структурирования данных, а также в поиске экспертизы достаточного уровня надежности

2. Статистическое обучение. При данном подходе процесс построения моделей МО основывается на сборе, обработке, сжатии и преобразовании данных, полученных в результате ведения статистического учета эмпирически полученной информации от специализированных систем, датчиков или операторов, фиксирующих данные в ручном или автоматическом виде. Данный подход является более целесообразным в рамках решаемой нами задачи в силу его большей степени универсальности и возможности автоматизации ряда процессов по предобработке и очистке получаемых данных, что снижает искажения вызванные человеческим фактором

3. Комбинированное обучение, является формой гибридного сочетания статистического и аналитического МО. Это самый сложный из подходов, в силу необходимости интеграции разных подходов и моделей, что не всегда приводит к положительным результатам

В отличие от классических моделей МО, существуют и более сложные модели, применяемые для задач оценок рисков здоровью населения

Следует отметить, что использование различных моделей МО для анализа экологических данных может отличаться математически и алгоритмически в силу специфики их практической и вычислительной имплементации, в том числе для решения задач прогнозирования, выявление аномалий и классификации. В частности, прогнозирование уровней загрязняющих веществ целесообразно осуществлять на базе использования регрессионных моделей, в том числе линейной и полиномиальной регрессий, простых в реализации и достаточно быстрых, моделей градиентного бустинга (XGBoost, LightGBM), позволяющих учесть нелинейные зависимости в данных

Отдельно следует отметить перспективность использования алгоритмов кластеризации, осуществляющих группировку и сегментацию данных по разным критериям, в том числе алгоритмы K-средних и DBSCAN, позволяющих более эффективно и адаптивно отсекать аномальные значения. При этом для первого из алгоритмов требуется оптимизировать входное число кластеров, например, с помощью применения метода «локтя», а в случае реализации подхода DBSCAN необходимо определить ключевые параметры, такие как минимальный размер кластера и радиус соседства

В силу сложностей обработки больших объемов данных, что является характерным для экологических исследований, еще большую актуальность приобретают модели глубокого обучения, особенно в случаях, когда данные разнородны (текстовые записи с датчиков, графических и табличные данные, спутниковые изображения локаций) и выявление сложных нелинейных зависимостей. В частности, перспективными являются сверточные модели ИНС (для анализа изображений) и рекурентные (для оценки временных рядов, например, учета динамики загрязнений экосистемы). Сложностями в данном случае является необходимость регулировки внутренней и внешней архитектуры ИНС, в том числе задания значений числа слоев, количества нейронов, а также использование регуляризации

Современные алгоритмы и подходы МО, применяемые для прикладных задач и подходящие для использования в контексте анализа экологических данных, можно классифицировать по четырем подвидам типов обучения

1. МО с учителем. Данный подход является наиболее популярным и целесообразным для нашей задачи, в связи с тем, что изначально подаваемый набор входных данных проходит разметку в ручном или полу-автоматизированном виде, что позволяет оценить уровень взаимной корреляции. Фактически, выполняется присвоение выходных классов по каждой записи в виде номинальных, категориальных или численных данных, что позволяет применять данный подход для решения задач классификации или регрессии.

2. МО без учителя. Принципиальным отличием от первого типа МО является имплементация процесса обучения без этапа разметки данных. Данный подход обеспечивает возможности просмотра данных и их анализа на основе установки и оценки наиболее значимых связей по степени близости между заданными диапазонами данных. Это позволяет МО без учителя находить слабовыраженные закономерности и корреляцию в признаковом пространстве, что может быть использовано для решения задач кластеризации, поиска аномалий или снижения размерностей, а также совместно с факторным анализом для предобработки данных

3. МО с частичным задействованием учителя. Данный подход является гибридной формой, сочетающей ранее рассмотренные 2 подхода, в котором модели формируются путем использования небольшого объема четко и однозначно размеченных данных (от 10 до 30%), остальные данные первоначально не имеют маркировки. Размеченные записи используются для последующего фрагментарного обучения моделей МО, после чего созданная модель осуществляется разметку имеющихся данных автоматическим образом, фактически, осуществляя псевдомаркировку. На базе данной процедуры реализуется последующее комплексное переобучение модели на полностью размеченной выборке данных

4. Обучение с подкреплением. В данном случае полноценной изначальной разметки данных также не производится, по причине того, что наборы записей для обучения моделей генерируются динамически, поступая из внешней среды, имплементируется механизм автоматического вознаграждения (весовой оценки) моделей МО по совокупности выполненных действий

Несмотря на перспективность и удобство применения моделей МО, следует отметить ряд наиболее принципиальных ограничений их использования непосредственно в экологической сфере, в том числе:

- экологические данные могут содержать значительное количество пропусков, ошибок или шумовых значений, что может быть обусловлено высокой неточностью измерительных приборов или по причине человеческого фактора;

- наличие аномальных значений и выбросов, которые могут быть как реальными данными, так и ошибочными, что существенно усложняет процесс интерпретации результатов;

- недостаток достоверных экологических данных для удаленных или труднодоступных локаций может вносить искажения в точность работы моделей прогнозирования;

- дисбаланс выборок и гетерогенность данных. Следует отметить, что экологические данные являются достаточно разнородными (временные ряды, изображения, пространственные данные), которые не всегда тривиальным образом могут интегрироваться в единую модель, не вызывая при этом противоречий;

- проблемы интерпретации результатов анализа. Многие модели МО, особенно ИИС, не являются четко формализованными с точки зрения внутренних процессов, что в ряде случаев затрудняет интерпретацию их результатов в контексте экологических проблем и задач. В связи с этим данная проблема может стать препятствием для внедрения разработанных и обученных моделей МО в практическую эксплуатацию;

- высокий риск переобучения моделей МО при работе с небольшими объемами данных. В частности, некоторые комплексные модели МО могут слишком сильно адаптироваться к тренировочным данным, уменьшая тем самым их обобщающую способность;

- высокая зависимость работы моделей МО от настройки и подбора значений их гиперпараметров, являющихся в свою очередь трудоемкими процедурами с точки зрения вычислительных ресурсов;

- модели МО, обученные на данных одного региона или экосистемы, могут быть неадаптивны к иным локациям и регионам из-за различий в климатических, географических, биологических или иных условиях, что может потребовать дополнительных затрат на проведения процессов обучения на новых данных.

В контексте проанализированной проблематики применение методов машинного обучения является рациональным путем автоматизации процессов анализа экологических данных, в том числе поиска аномалий, оценки корреляции, выявления трендов, заполнения пропусков, балансировки признаков.

С учетом обозначенных ограничений применения машинного обучения в исследуемой сфере предлагается повысить эффективность их имплементации на практике посредством:

- повышения общего уровня качества данных путем их превентивной обработки, в том числе на базе процедур очистки, заполнение пропусков и поиска корреляций для снижения размерности;

- разработка более интерпретируемых (объяснимых) моделей машинного обучения, способных выполнять более четкую формализацию и детализировать логические выводы всех внутренних процессов;

- применение более сложных модификаций алгоритмов, например, ансамблей моделей машинного обучения, что позволит компенсировать отдельные недостатки каждого из используемых алгоритмов;

- применение гибридных подходов к обучению моделей, позволяющих комбинировать модели МО с традиционными аналитико-вероятностными экологическими моделями;

- внедрение практик многоуровневой валидации работы моделей для повышения общего уровня надежности получаемых результатов.

Следует отметить, что в контексте рассматриваемой проблематики перспективным путем дальнейшего развития является разработка и внедрение комплексных подходов к оценке рисков на базе комбинирования методов машинного обучения с различными детерминированными и стохастическими подходами, что позволяет осуществить построение более эффективных гибридных моделей анализа данных, основанных на сочетании как качественных, так и количественных оценок вреда здоровью населения. В частности, среди таких подходов наиболее значимыми являются нейронечеткие модели и алгоритмы, построенные на базе эволюционных вычислений, что может ускорить процессы поиска оптимальных значений гиперпараметров моделей машинного обучения, повышая тем самым адекватность и точность прогнозов.