[論文レビュー] Convolutional Recurrent Neural Networks for Blood Glucose Prediction.

Kezhi Li, John Daniels+3 more|arXiv (Cornell University)|Jul 9, 2018

Diabetes Management and Research参考文献 28被引用数 4

ひとこと要約

本稿では、1型糖尿病患者における正確な短期間の血糖値予測を目的として、畳み込み層による特徴抽出とLSTMユニットによる時系列モデリングを組み合わせた畳み込み再帰ニューラルネットワーク（CRNN）を提案する。モデルは、模擬シナリオでRMSE 9.38±0.71 mg/dL（30分予測）、実データで21.07±2.35 mg/dLの最先端の性能を達成しており、Android端末上でもわずか6msでリアルタイム推論が可能である。

ABSTRACT

Control of blood glucose is essential for diabetes management. Current digital therapeutic approaches for subjects with Type 1 diabetes mellitus (T1DM) such as the artificial pancreas and insulin bolus calculators leverage machine learning techniques for predicting subcutaneous glucose for improved control. Deep learning has recently been applied in healthcare and medical research to achieve state-of-the-art results in a range of tasks including disease diagnosis, and patient state prediction among others. In this work, we present a deep learning model that is capable of forecasting glucose levels with leading accuracy for simulated patient cases (RMSE = 9.38$\pm$0.71 [mg/dL] over a 30-minute horizon, RMSE = 18.87$\pm$2.25 [mg/dL] over a 60-minute horizon) and real patient cases (RMSE = 21.07$\pm$2.35 [mg/dL] for 30-minute, RMSE = 33.27$\pm$4.79\% for 60-minute). In addition, the model provides competitive performance in providing effective prediction horizon ($PH_{eff}$) with minimal time lag both in a simulated patient dataset ($PH_{eff}$ = 29.0$\pm$0.7 for 30-min and $PH_{eff}$ = 49.8$\pm$2.9 for 60-min) and in a real patient dataset ($PH_{eff}$ = 19.3$\pm$3.1 for 30-min and $PH_{eff}$ = 29.3$\pm$9.4 for 60-min). This approach is evaluated on a dataset of 10 simulated cases generated from the UVa/Padova simulator and a clinical dataset of 10 real cases each containing glucose readings, insulin bolus, and meal (carbohydrate) data. Performance of the recurrent convolutional neural network is benchmarked against four algorithms. The proposed algorithm is implemented on an Android mobile phone, with an execution time of $6$ms on a phone compared to an execution time of $780$ms on a laptop.

研究の動機と目的

• 1型糖尿病患者の短期間の血糖値予測精度を深層学習を用いて向上させること。
• モバイルデプロイメントに適した低遅延推論を維持しながらも高い予測精度を達成するモデルを開発すること。
• 多様な患者プロファイルを有する模擬および臨床的実データの両方で、モデルの性能を評価すること。
• RMSE、有効予測期間、推論速度の観点から、CRNNを既存のアルゴリズムと比較すること。

提案手法

• モデルは、時系列の血糖値、食事、インスリンデータからの局所的特徴抽出を目的とした1次元畳み込み層を組み合わせたハイブリッドアーキテクチャを採用する。
• 畳み込み特徴は、生理的ダイナミクスにおける長距離時系列依存性を捉えるために双方向LSTMネットワークに供給される。
• 30分および60分の予測期間における予測誤差を最小化する目的で、平均二乗誤差損失関数を用いてエンドツーエンドで訓練される。
• モデルの性能は、UVa/Padovaシミュレータから得た10件の模擬ケースと、血糖値、インスリン、炭水化物記録を有する10件の実患者ケースの2つのデータセットで評価される。
• モバイルデプロイメントに最適化された推論が行われ、実行時間はAndroidスマートフォンとラップトップで測定され、比較が行われる。
• 有効予測期間（PH_eff）は、予測誤差がしきい値未満に保たれる時間窓として計算され、実用的有用性の評価が行われる。

実験結果

リサーチクエスチョン

• RQ1 CRNNアーキテクチャは、T1DM患者の短期間の血糖値予測において、既存の機械学習モデルを上回ることができるか？
• RQ2 モデルの予測精度は、模擬データと実臨床データの間でどのように変化するか？
• RQ3 提案されたモデルの有効予測期間（PH_eff）は何か？ また、ベースラインアルゴリズムと比較してどうなるか？
• RQ4 モデルは、モバイルヘルスアプリケーションに適した最小限の遅延でリアルタイム推論を達成できるか？

主な発見

• 模擬ケースでは、30分予測期間におけるRMSEが9.38±0.71 mg/dLに達し、ベンチマークモデルを上回った。
• 実患者データでは、30分予測でRMSEが21.07±2.35 mg/dL、60分予測で33.27±4.79 mg/dLを達成した。
• 模擬データでは30分予測に対して29.0±0.7分の高い有効予測期間を示し、実データでは19.3±3.1分であった。
• Androidスマートフォン上での推論時間はわずか6msであり、ラップトップの780msと比べて著しく高速であった。
• CRNNは精度と遅延の両面で競争力のある性能を維持しており、リアルタイムモバイルデプロイメントへの強い可能性を示した。
• 多様な患者ケースにおいて一貫した性能を示し、個々の生理的ばらつきに対して頑健であることが示された。