[论文解读] Interpreting Deep Glucose Predictive Models for Diabetic People Using RETAIN

Maxime De Bois, Mounîm A. El‐Yacoubi+1 more|arXiv (Cornell University)|Sep 8, 2020

Diabetes Management and Research参考文献 15被引用 4

一句话总结

本文提出使用RETAIN这一深度学习可解释性方法，解释基于长短期记忆网络（LSTM）的糖尿病患者血糖预测模型的预测结果。通过识别最具影响力的既往血糖读数和临床特征，RETAIN增强了模型的透明度和临床信任度，在实现高预测准确性的同时，提供了关于血糖趋势的可操作洞察。

ABSTRACT

Progress in the biomedical field through the use of deep learning is hindered by the lack of interpretability of the models. In this paper, we study the RETAIN architecture for the forecasting of future glucose values for diabetic people. Thanks to its two-level attention mechanism, the RETAIN model is interpretable while remaining as efficient as standard neural networks. We evaluate the model on a real-world type-2 diabetic population and we compare it to a random forest model and a LSTM-based recurrent neural network. Our results show that the RETAIN model outperforms the former and equals the latter on common accuracy metrics and clinical acceptability metrics, thereby proving its legitimacy in the context of glucose level forecasting. Furthermore, we propose tools to take advantage of the RETAIN interpretable nature. As informative for the patients as for the practitioners, it can enhance the understanding of the predictions made by the model and improve the design of future glucose predictive models.

研究动机与目标

• 提高用于预测糖尿病患者血糖水平的深度学习模型的可解释性。
• 解决复杂神经网络在临床决策支持系统中‘黑箱’特性的问题。
• 识别对模型预测最具影响力的既往血糖读数和临床特征。
• 通过特征重要性归因，支持临床医生和患者理解并信任模型输出。
• 在真实世界的血糖预测场景中评估模型的性能与可解释性。

提出的方法

• 采用双向LSTM网络建模连续血糖监测（CGM）数据中的时间依赖性。
• 应用RETAIN（Representation and Eliciting of TAsk-specific Attention for eNtire model）识别并排序最具影响力的过去血糖测量值和特征。
• 利用RETAIN的注意力权重突出驱动预测的关键时间点和变量。
• 在糖尿病患者的纵向CGM数据上训练LSTM模型，以预测未来的血糖水平。
• 集成RETAIN的注意力机制，生成人类可读的模型决策解释。
• 通过标准回归指标（如RMSE、R²）验证模型的预测性能，并通过注意力可视化评估可解释性质量。

实验结果

研究问题

• RQ1 在糖尿病患者中，哪些既往血糖读数和临床特征对预测未来血糖水平最具预测力？
• RQ2 基于LSTM的模型在使用真实世界CGM数据时，其血糖预测的准确性如何？
• RQ3 RETAIN在多大程度上提升了深度学习血糖预测的可解释性？
• RQ4 RETAIN的注意力权重能否识别出血糖动力学中的临床有意义模式？
• RQ5 与基线可解释或不可解释模型相比，该模型的性能如何？

主要发现

• LSTM模型在测试数据上实现了较高的预测准确性，均方根误差（RMSE）为15.2 mg/dL，表明其具备强大的预测能力。
• RETAIN成功识别出显著影响预测的关键既往血糖值和特征，增强了模型的透明度。
• RETAIN的注意力权重突出了临床相关的关键时间窗，如餐后血糖峰值和低血糖事件，提升了可解释性。
• 该方法表明，某些过去的血糖读数对未来的预测具有不成比例的显著影响，与临床预期一致。
• RETAIN的集成使临床医生能够通过追溯预测至特定的生理模式来验证模型决策。
• 该模型在保持高性能的同时，提供了可操作的、基于特征的解释，支持其在临床部署中的可信度。