GARNN：一种用于通过多变量时间序列预测血糖水平的可解释图注意力循环神经网络
机器学习
2024-02-27 v1 人工智能
摘要
准确预测未来血糖（BG）水平可有效改善糖尿病患者的血糖管理，从而减少并发症并提高生活质量。血糖预测的最先进水平是通过利用先进的深度学习方法对多模态数据（即传感器数据和自报告事件数据，组织为多变量时间序列 (MTS)）进行建模而实现的。然而，这些方法大多被视为“黑盒”，未完全获得临床医生和患者的信任。在本文中，我们提出了可解释的图注意力循环神经网络（GARNN）来对 MTS 进行建模，通过总结变量重要性并利用图注意力机制生成特征图来解释变量贡献，而非依赖事后分析。我们在代表不同临床场景的四个数据集上评估了 GARNN。与十二种成熟的基线方法相比，GARNN 不仅实现了最佳的预测精度，还提供了高质量的时间可解释性，特别是针对由相应膳食摄入和胰岛素注射引起的餐后血糖水平。这些发现强调了 GARNN 作为改善糖尿病护理的鲁棒工具的潜力，弥合了深度学习技术与现实世界医疗解决方案之间的差距。
引用
@article{arxiv.2402.16230,
title = {GARNN: An Interpretable Graph Attentive Recurrent Neural Network for Predicting Blood Glucose Levels via Multivariate Time Series},
author = {Chengzhe Piao and Taiyu Zhu and Stephanie E Baldeweg and Paul Taylor and Pantelis Georgiou and Jiahao Sun and Jun Wang and Kezhi Li},
journal= {arXiv preprint arXiv:2402.16230},
year = {2024}
}