公共卫生决策依赖于及时、细粒度的数据，但传统监测受到报告滞后、数据孤岛和稀疏性的阻碍。传统建模还需要大量的任务特定数据收集。为了解决这个问题，我们引入了一种使用行星地理空间基础模型的范式。以Google Earth AI的人口动态基础模型（PDFM）作为概念验证，我们将'地点'的自监督表示作为即插即用输入集成到现有的健康工作流程中，增强模型而无需新管道。PDFM将保护隐私的搜索趋势、人类流动性、建筑环境密度和环境决定因素压缩为位置嵌入。无需微调，这些嵌入在各种疾病领域和任务中匹配或优于传统输入。
PDFM使用自监督学习将聚合搜索趋势、建筑环境和流动性数据以及环境决定因素等信号综合为每月更新的嵌入。无需原始数据处理，PDFM嵌入可插入ML工作流程以获取地理空间上下文。先前的工作表明这些嵌入是任务无关的，捕捉社会、行为和环境卫生决定因素。为了满足更高的证明标准，我们与全球合作伙伴在五个公共卫生挑战中验证了PDFM。
验证包括美加边境的MMR疫苗接种外推，实现了+36%的解释方差相对增益。对于美国本土（3,091个县）的心血管疾病死亡率临近预报，PDFM显示出与基于人口普查的模型相当的准确性。这些结果证明了PDFM在不同流行病学任务和资源环境中的价值。
来源: Google AI Blog · 由HeadlinesBriefing整理摘要