[论文解读] 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 4

一句话总结

本文提出了一种卷积循环神经网络（CRNN），用于准确预测1型糖尿病患者的短期血糖水平，结合卷积层进行特征提取和LSTM单元进行时序建模。该模型在模拟数据中实现了30分钟预测的RMSE为9.38±0.71 mg/dL的最先进性能，在真实数据中为21.07±2.35 mg/dL，同时在安卓设备上实现了仅6ms的实时推理速度。

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.

研究动机与目标

• 通过深度学习提高1型糖尿病患者短期血糖预测的准确性。
• 开发一种在保持高预测精度的同时，支持低延迟推理、适合移动端部署的模型。
• 在包含多样化患者特征的模拟和真实临床数据集上评估模型性能。
• 在RMSE、有效预测时延和推理速度方面与现有算法进行基准对比。

提出的方法

• 该模型采用混合架构，结合一维卷积层，从时间序列的葡萄糖、进餐和胰岛素数据中提取局部特征。
• 卷积特征输入双向LSTM网络，以捕捉生理动态中的长程时序依赖关系。
• 网络采用均方误差损失端到端训练，以最小化30分钟和60分钟预测时延的预测误差。
• 在两个数据集上评估模型性能：来自UVa/Padova模拟器的10个模拟病例，以及包含葡萄糖、胰岛素和碳水化合物记录的10个真实患者病例。
• 为移动端部署优化推理，执行时间在安卓智能手机上测量，并与笔记本电脑进行对比。
• 有效预测时延（PH_eff）通过预测误差保持在阈值以下的时间窗口计算，以评估实际可用性。

实验结果

研究问题

• RQ1 CRNN架构能否在预测T1DM患者短期血糖水平方面优于现有机器学习模型？
• RQ2 该模型在模拟数据与真实临床数据中的预测精度有何差异？
• RQ3 所提模型的有效预测时延（PH_eff）是多少，与基线算法相比如何？
• RQ4 该模型能否实现极低延迟的实时推理，适用于移动健康应用？

主要发现

• 在模拟病例中，CRNN在30分钟预测时延内实现了9.38±0.71 mg/dL的RMSE，优于基准模型。
• 在真实患者数据中，该模型在30分钟预测时延内实现了21.07±2.35 mg/dL的RMSE，在60分钟预测时延内为33.27±4.79 mg/dL。
• 该模型在模拟数据中30分钟预测时延的高有效预测时延为29.0±0.7分钟，在真实数据中为19.3±3.1分钟。
• 该模型在安卓智能手机上的推理时间仅为6ms，显著快于笔记本电脑的780ms。
• CRNN在精度和延迟方面均保持了竞争力，表明其在实时移动端部署方面具有强大潜力。
• 该模型在多种患者病例中表现一致，表明其对个体生理差异具有鲁棒性。