DPA-Net：用于从自监测血糖数据推断血糖控制指标的双路径注意力神经网络
机器学习
2025-10-09 v1
摘要
连续血糖监测（CGM）提供密集且动态的血糖轮廓，使可靠地估计 Ambulatory Glucose Profile（AGP）指标，如 Time in Range（TIR）、Time Below Range（TBR）和 Time Above Range（TAR）。然而，CGM 的高成本和有限可及性限制了其在中低收入地区的广泛采用。相比之下，自我血糖监测（SMBG）成本低且普遍可用，但产生稀疏且不规则的数据，难以转化为临床上有意义的血糖指标。本文提出了一种双路径注意力神经网络（DPA-Net）用于从 SMBG 数据直接估计 AGP 指标。DPA-Net 集成了两种互补路径：(1) 一种空间注意力路径从稀疏的 SMBG 观察值重建类似 CGM 的轨迹；(2) 一种多尺度 ResNet 路径直接预测 AGP 指标。引入一种对齐机制以减少偏差并缓解过拟合。此外，我们开发了一个主动点选择器来识别反映患者行为模式的真实且有信息的 SMBG 采样点。在大型真实数据集上的实验结果表明，DPA-Net 在保持低误差的同时实现了鲁健的准确性，显著降低了系统性偏差。就目前已知的从 SMBG 数据估计 AGP 指标的监督式机器学习框架而言，DPA-Net 是首个，为 CGM 不可及的场景提供了实用且临床相关的决策支持工具。
引用
@article{arxiv.2510.06623,
title = {DPA-Net: A Dual-Path Attention Neural Network for Inferring Glycemic Control Metrics from Self-Monitored Blood Glucose Data},
author = {Canyu Lei and Benjamin Lobo and Jianxin Xie},
journal= {arXiv preprint arXiv:2510.06623},
year = {2025}
}
备注
14 pages, 10 figures