使用基于变压器的序列对序列模型的知识蒸来预测血糖的未来意识

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 糖尿病 技术 技术

背景情况:

• 准确的血糖水平 (BGL) 预测对于糖尿病自我管理和临床决策至关重要.
• 目前使用持续葡萄糖监测 (CGM) 数据的深度学习模型经常排除胰岛素或食等未来因素,限制实时预测.
• 这种差距阻碍了开发精确可靠的葡萄糖预测工具.

研究的目的:

• 开发一个新的未来意识的学习框架,用于多步 BGL 预测.
• 在培训期间利用未来的特权信息,同时确保在推断时的部署性.
• 提高BGL预测模型的准确性和临床可靠性.

主要方法:

• 基于变压器的教师模型在线训练,使用历史CGM数据和未来干扰信息 (胰岛素,食).
• 一个通过知识蒸训练的学生模型学会了仅使用历史数据来近似教师的预测.
• 该框架在OhioT1DM和AZT1D数据集上进行了评估,预测时间为30-120分钟.

主要成果:

• 与既有方法相比,拟议的框架显示了根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 的持续减少.
• 超过90%的预测实现了临床可靠性,根据克拉克错误网格分析的验证.
• 未来意识的方法在现实的部署约束下显著改善了葡萄糖预测性能.

结论:

• 面向未来的培训策略可以大大提高葡萄糖预测的准确性和可靠性.
• 开发的框架为实时BGL预测提供了一个实用的解决方案,在部署时不需要未来数据.
• 这种方法在改善糖尿病自我管理和临床决策方面具有重大潜力.