Transformerベースのシーケンス間モデルを用いた知識蒸留による将来認識型血糖予測

科学分野:

• 生物医学工学
• ヘルスケアにおける人工知能
• 糖尿病テクノロジー

背景:

• 正確な血糖値（BGL）予測は、糖尿病の自己管理と臨床的意思決定に不可欠です。
• 連続血糖測定（CGM）データを使用した現在のディープラーニングモデルは、インスリンや食事などの将来の要因を除外することが多く、リアルタイム予測を制限します。
• このギャップは、正確で信頼性の高い血糖予測ツールの開発を妨げます。

研究 の 目的:

• 多段階BGL予測のための新しい将来認識型学習フレームワークを開発すること。
• トレーニング中に特権的な将来情報（privileged future information）を活用しつつ、推論時の展開可能性を確保すること。
• BGL予測モデルの精度と臨床的信頼性を向上させること。

主な方法:

• Transformerベースの教師モデルは、履歴CGMデータと将来の摂動情報（インスリン、食事）を使用してオフラインでトレーニングされました。
• 知識蒸留を通じてトレーニングされた生徒モデルは、履歴データのみを使用して教師の予測を近似することを学習しました。
• このフレームワークは、30〜120分の予測ホライズンについて、OhioT1DMおよびAZT1Dデータセットで評価されました。

主要な成果:

• 提案されたフレームワークは、確立された手法と比較して、二乗平均平方根誤差（RMSE）および平均絶対誤差（MAE）の一貫した削減を示しました。