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

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

Diabetes Management and Research参考文献 50被引用数 15

ひとこと要約

本稿では、連続的血糖モニタ（CGM）、食事、インスリンデータを用いて、1型糖尿病患者における正確な血糖値（BG）予測を目的とし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、特徴抽出のための1次元畳み込み層と、系列モデリングのための双方向LSTM層を組み合わせており、シミュレーションでは予測30分後のRMSEが9.38 ± 0.71 mg/dL、実世界のデータでは21.07 ± 2.35 mg/dLの最先端の性能を達成した。また、モバイルデバイス上でのリアルタイム推論が6 msで可能である。

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

• CGM、食事、インスリンデータにおける複雑で非線形な関係をモデル化する深層学習を用いて、1型糖尿病における血糖値予測の精度を向上させること。
• リソース制限のあるモバイルプラットフォームにデプロイ可能で、臨床用途に適した、個別化されたリアルタイム予測モデルを開発すること。
• 手作業で特徴を設計する必要がある従来の機械学習モデルや、長期的な時系列依存性を扱いにくいという限界を克服すること。
• モデルの妥当性と臨床的意義を確認するため、シミュレーションデータおよび実患者データの両方で評価を行うこと。

提案手法

• CRNNアーキテクチャは、グルコース、食事、インスリンデータの多次元時系列から時間的特徴を抽出するために、ガウスカーネルフィルタを用いた1次元畳み込みニューラルネットワーク（CNN）とマックスプーリング層を用いる。
• 抽出された特徴を処理するため、双方向長短期記憶（LSTM）ネットワークが系列データにおける長距離依存性をモデル化する。
• CGM、炭水化物、インスリンデータの時刻同期された入力系列を用いて、平均二乗誤差（MSE）損失でエンドツーエンドに訓練する。
• 全結合の回帰ヘッドが最終的なグルコース予測出力を生成する。
• 効率的なモバイルデバイス上でのデプロイのため、トレーニング済みモデルをTensorFlow Lite形式に変換する。
• 被験者固有のデータで訓練することで、継続的なオンライン更新を伴う個別化された予測を実現する。

実験結果

リサーチクエスチョン

• RQ1 CNNとRNNアーキテクチャを組み合わせた深層学習モデルは、1型糖尿病患者の血糖値予測において、従来の機械学習手法を上回ることができるか？
• RQ2 提示されたCRNNモデルは、シミュレーションおよび実臨床データの両方において、予測精度および有効予測期間（PHeff）の観点でどの程度の性能を示すか？
• RQ3 CRNNモデルは、最小限の推論遅延を維持しながら、モバイルデバイスに効率的にデプロイ可能か？
• RQ4 より長い予測期間において、低血糖イベントの予測精度は高血糖イベントの予測精度よりもどの程度劣化するか？

主な発見

• シミュレーションケースでは、予測30分後のRMSEが9.38 ± 0.71 mg/dLに達し、SVRやNNPGといったベンチマークモデルを上回った。
• 実患者データでは、30分予測のRMSEが21.07 ± 2.35 mg/dL、60分予測のRMSEが33.27 ± 4.79 mg/dLであった。
• シミュレーションデータにおいて、30分予測の有効予測期間（PHeff）は29.0 ± 0.7分、60分予測では49.8 ± 2.9分を示した。
• 実患者データでは、30分予測のPHeffが19.3 ± 3.1分、60分予測のPHeffが29.3 ± 9.4分であった。これは、良好な時系列一般化性能を示している。
• Androidスマートフォン（LG Nexus 5）上では6 msの推論時間を達成し、ラップトップの780 msと比較して著しく高速であった。これにより、リアルタイム臨床応用が可能となった。
• より長い予測期間においては、低血糖予測の精度劣化が高血糖予測よりも顕著に見られた。これは、将来のイベントをモデルに組み込む必要があることを示唆している。