DDLA:基于连续葡萄糖传感器的双重深潜自编码器用于糖尿病视网膜病变的诊断
Rui Tao1, Hongru Li1, Jingyi Lu2
1College of Information Science and Engineering, Northeastern University, NO. 3-11 Wenhua Road, Shenyang, 110819, Liaoning, China.
Medical & biological engineering & computing
|May 22, 2024
概括
这项研究引入了一种新的深度学习模型,用于使用连续血糖监测数据来诊断糖尿病视网膜病变. 该模型在检测从葡萄糖变化的条件中显示出高准确度,使远程查成为可能.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 眼科医生 眼科 眼科
背景情况:
- 糖尿病视网膜病变的诊断依赖于 fundus 图像和临床专业知识.
- 目前的方法在可移植性和有效性方面存在局限性.
- 可穿戴的连续血糖监测 (CGM) 系统提供了潜在的替代数据源.
研究的目的:
- 开发一种用于糖尿病视网膜病变的新型诊断模型,使用可穿戴CGM系统的葡萄糖序列数据.
- 探索血糖变异对糖尿病视网膜病变检测的影响.
- 为了实现糖尿病视网膜病变的远程诊断和查.
主要方法:
- 开发了一种双深潜伏自编码器模型.
- 集成了一个数据重组模块和一个新的编码模块,具有碎片-缺失-明智的目标功能来处理可变长度,非连续的CGM数据.
- 采用双重深度自编码器,结合卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 来捕获日间和日内葡萄糖特征.
- 通过对765名2型糖尿病患者的临床数据集进行交叉验证来评估该模型.
主要成果:
- 拟议的模型实现了高性能指标:0.89准确度,0.88精度和0.73F1得分.
- 演示了该模型编码复杂葡萄糖传感器数据的能力.
- 从多天的葡萄糖序列数据中成功捕获了潜伏特征.
结论:
- 开发的深度学习模型有效地从CGM数据中诊断出糖尿病视网膜病变.
- 该方法提供了一种非侵入性,便携式的远程查和诊断方法.
- 根据模型分析的血糖变异性是糖尿病视网膜病变的重要指标.
