[论文解读] 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 15

一句话总结

本文提出了一种卷积循环神经网络（CRNN），用于利用连续血糖监测（CGM）、进餐和胰岛素数据，对1型糖尿病患者的血糖水平进行高精度预测。该模型结合了1D卷积层进行特征提取和双向LSTM层进行序列建模，在模拟数据中实现了9.38 ± 0.71 mg/dL（30分钟预测时延）的均方根误差（RMSE），在真实世界数据中实现了21.07 ± 2.35 mg/dL的RMSE，同时在移动设备上实现了仅6 ms的实时推理。

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

• 通过深度学习建模CGM、进餐和胰岛素数据中复杂且非线性的关系，提升1型糖尿病患者血糖预测的准确性。
• 开发一种个性化、可实时运行的预测模型，适用于资源受限的移动平台，以支持临床应用。
• 解决传统机器学习模型依赖手工特征工程且难以捕捉长期时间依赖关系的局限性。
• 在模拟和真实患者数据集上评估模型，以确保其鲁棒性和临床相关性。

提出的方法

• CRNN架构采用带有高斯核滤波器和最大池化层的1D卷积神经网络（CNN），从葡萄糖、进餐和胰岛素数据的多维时间序列中提取时间特征。
• 双向长短期记忆（LSTM）网络处理提取的特征，以建模序列数据中的长程依赖关系。
• 模型通过在时间对齐的CGM、碳水化合物和胰岛素数据输入序列上使用均方误差（MSE）损失进行端到端训练。
• 全连接回归头生成最终的血糖预测输出。
• 训练后的模型被转换为TensorFlow Lite格式，以实现在移动设备上的高效部署。
• 通过在个体特定数据上进行训练实现模型个性化，支持持续在线更新的个体化预测。

实验结果

研究问题

• RQ1 结合CNN和RNN架构的深度学习模型是否能在1型糖尿病患者的血糖水平预测中优于传统机器学习方法？
• RQ2 所提出的CRNN模型在模拟和真实临床数据集上的预测准确性和有效预测时延（PHeff）表现如何？
• RQ3 CRNN模型能否在保持高精度的同时，以极低推理延迟高效部署于移动设备？
• RQ4 在较长预测时延下，模型在低血糖事件中的性能退化程度是否显著高于高血糖事件？

主要发现

• 在模拟病例中，CRNN在30分钟预测时延下实现了9.38 ± 0.71 mg/dL的RMSE，优于SVR和NNPG等基准模型。
• 在真实患者数据中，模型在30分钟预测时延下实现了21.07 ± 2.35 mg/dL的RMSE，在60分钟预测时延下实现了33.27 ± 4.79 mg/dL的RMSE。
• 在模拟数据中，模型表现出较高的有效预测时延（PHeff）：30分钟预测为29.0 ± 0.7分钟，60分钟预测为49.8 ± 2.9分钟。
• 在真实患者数据中，PHeff为30分钟预测19.3 ± 3.1分钟，60分钟预测29.3 ± 9.4分钟，表明其具备出色的时序泛化能力。
• 在安卓智能手机（LG Nexus 5）上，模型实现了6 ms的推理时间，显著快于笔记本电脑的780 ms，支持实时临床部署。
• 在较长预测时延下，低血糖预测的性能退化程度明显高于高血糖预测，提示需引入未来事件建模以提升性能。