[논문 리뷰] Convolutional Recurrent Neural Networks for Blood Glucose Prediction.

Kezhi Li, John Daniels외 3명|arXiv (Cornell University)|2018. 07. 09.

Diabetes Management and Research참고 문헌 28인용 수 4

한 줄 요약

이 논문은 당뇨병 환자에서 정확한 단기 혈액 포도당 예측을 위한 합성곱 순환 신경망(CRNN)을 제안한다. 이 모델은 특징 추출을 위해 합성곱 층과 시간적 모델링을 위해 LSTM 유닛을 결합한다. 시뮬레이션에서는 30분 예측 시 RMSE가 9.38±0.71 mg/dL로 최신 기술 수준을 달성하였고, 실제 데이터에서는 21.07±2.35 mg/dL를 기록하였다. 또한 안드로이드 기기에서 6ms 내로 실시간 추론을 구현하였다.

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.

연구 동기 및 목표

• 딥 러닝을 활용하여 제1형 당뇨병 환자에서 단기 혈액 포도당 예측 정확도를 향상시키기 위해.
• 이식 가능한 모바일 환경에 적합한 낮은 지연 추론을 유지하면서도 높은 예측 정확도를 확보하는 모델을 개발하기 위해.
• 다양한 환자 프로파일을 가진 시뮬레이션 및 실제 임상 데이터셋에서 모델 성능을 평가하기 위해.
• RMSE, 실용적 예측 기간, 추론 속도 측면에서 기존 알고리즘과의 비교를 통해 성능을 평가하기 위해.

제안 방법

• 모델는 시간 시리즈 포도당, 식사, 인슐린 데이터에서 局부 특징 추출을 위해 1차원 합성곱 층을 활용하는 하이브리드 아키텍처를 채택한다.
• 합성곱 특징는 양방향 LSTM 네트워크에 입력되어 생리적 동역학의 장거리 시간적 의존성을 포착한다.
• 30분 및 60분 예측 기간에서 예측 오차를 최소화하기 위해 평균 제곱오차 손실을 사용하여 엔드 투 엔드로 학습된다.
• 모델 성능 평가는 두 가지 데이터셋에서 평가되었으며, UVa/Padova 시뮬레이터에서 생성한 10개의 시뮬레이션 케이스와 포도당, 인슐린, 탄수화물 기록이 포함된 10개의 실제 환자 케이스로 구성된다.
• 모바일 배포를 위해 추론을 최적화하였으며, 실행 시간은 안드로이드 스마트폰과 랩탑에서 측정되어 비교되었다.
• 실용적 예측 기간(PH_eff)은 예측 오차가 임계값 이하를 유지하는 시간 창으로 계산되며, 실용성 평가에 사용된다.

실험 결과

연구 질문

• RQ1 CRNN 아키텍처가 제1형 당뇨병 환자에서 단기 혈액 포도당 수준을 예측하는 데 있어 기존 머신러닝 모델을 능가할 수 있는가?
• RQ2 모델의 예측 정확도는 시뮬레이션 데이터와 실제 임상 데이터 간에 어떻게 다를까?
• RQ3 제안된 모델의 실용적 예측 기간(PH_eff)은 얼마이며, 기준 알고리즘과 비교해 볼 때 어떠한가?
• RQ4 모델은 실시간 추론을 위해 최소한의 지연을 확보할 수 있는가? 이는 모바일 헬스 애플리케이션에 적합한가?

주요 결과

• 시뮬레이션 케이스에서 CRNN은 30분 예측 기간 동안 RMSE가 9.38±0.71 mg/dL로 기준 모델들을 능가하였다.
• 실제 환자 데이터에서는 30분 예측 시 RMSE가 21.07±2.35 mg/dL, 60분 예측 시 RMSE가 33.27±4.79 mg/dL를 기록하였다.
• 시뮬레이션에서는 30분 예측 시 29.0±0.7분의 높은 실용적 예측 기간을 확보하였고, 실제 데이터에서는 19.3±3.1분을 기록하였다.
• 안드로이드 스마트폰에서 추론 시간은 단 6ms로 측정되었으며, 랩탑의 780ms보다 훨씬 빠르게 작동하였다.
• CRNN는 정확도와 지연 모두에서 경쟁적인 성능을 유지하여 실시간 모바일 배포 잠재력을 높게 평가할 수 있었다.
• 모델의 성능는 다양한 환자 케이스에서 일관되게 유지되어 개인의 생리적 변동성에 대한 강건성을 보였다.