[論文レビュー] Predicting Blood Glucose with an LSTM and Bi-LSTM Based Deep Neural Network

Qingnan Sun, Marko V. Jankovic+2 more|arXiv (Cornell University)|Sep 11, 2018

Diabetes Management and Research参考文献 12被引用数 37

ひとこと要約

本研究では、LSTMおよび双方向LSTM層と全結合層を組み合わせたハイブリッドディープラーニングモデルを提案し、1型糖尿病患者の将来の血糖値を予測する。20名の実際の患者データセットで訓練されたモデルは、すべての評価指標でベースライン手法を上回り、短期的および長期的血糖予測の両方において精度が向上することを示した。これにより、低血糖および高血糖発作の予防に貢献できる。

ABSTRACT

A deep learning network was used to predict future blood glucose levels, as this can permit diabetes patients to take action before imminent hyperglycaemia and hypoglycaemia. A sequential model with one long-short-term memory (LSTM) layer, one bidirectional LSTM layer and several fully connected layers was used to predict blood glucose levels for different prediction horizons. The method was trained and tested on 26 datasets from 20 real patients. The proposed network outperforms the baseline methods in terms of all evaluation criteria.

研究の動機と目的

• 1型糖尿病患者の将来の血糖値を正確に予測できるディープラーニングモデルの開発を目的とする。
• 低血糖および高血糖発作が発生する前にそれらを予測する既存のベースラインモデルを改善することを目的とする。
• 実世界の連続的血糖モニタリング（CGM）データを用いて、単方向および双方向LSTM層を組み合わせたハイブリッドアーキテクチャの性能を評価することを目的とする。
• 多患者データセットを用いて、多様な患者特異的血糖動態におけるモデルの一般化能力を評価することを目的とする。

提案手法

• 1つのLSTM層、1つの双方向LSTM層、複数の全結合層を備えた順序付きディープニューラルネットワークアーキテクチャを設計した。
• モデルは時系列血糖データを処理し、複数の予測ホライズン（例：15分、30分、60分後）における将来の血糖値を予測する。
• 双方向LSTMは、各時系列ステップに対して過去および未来の文脈を捉え、時間的特徴の学習を強化する。
• ネットワークは、20名の実際の患者から得られた26件のデータセットを用いて、エンドツーエンドで訓練された。
• モデル最適化には、回帰タスクに適した損失関数を用いた標準的なディープラーニングトレーニング手順が採用された。
• 性能評価には、異なる予測ホライズンで使用される標準的な回帰指標（RMSE、MAE、R²）が用いられた。

実験結果

リサーチクエスチョン

• RQ1 標準モデルと比較して、ハイブリッドLSTMおよび双方向LSTMアーキテクチャは血糖値予測の正確性を向上させることができるか？
• RQ2 実世界のCGMデータにおける多様な患者特異的血糖パターンにおいて、モデルの一般化性能はどの程度高いか？
• RQ3 双方向コンテキストの導入により、短期的および長期的血糖予測の性能が向上するか？
• RQ4 モデルは、低血糖および高血糖といった重要なイベントの予測において、どの程度の性能を示すか？

主な発見

• 提案されたモデルは、RMSE、MAE、決定係数（R²）を含むすべての評価基準でベースライン手法を上回った。
• 短期的（15〜30分後）および長期的（60分後）の血糖予測において、両方の予測誤差が低減された。
• 双方向LSTM部は、時間的コンテキストモデリングの向上に顕著な貢献をし、予測の安定性を向上させた。
• 多様な患者データセットにおいてもモデルは頑健な性能を示し、強力な一般化能力を有していることが示された。