面向 1 型糖尿病的血糖预测的糖尿-aware 与架构无关训练框架
机器学习
2026-02-26 v3 人工智能
摘要
管理 1 型糖尿病（T1D）需要持续的警惕，因为个体致力于调节血糖水平并避免糖尿病紊乱，包括高血糖和低血糖。尽管自动胰岛素输送（AID）系统取得了进展，但仍难以实现最佳的糖尿病控制。这些系统整合来自可穿戴设备（如胰岛素泵和连续血糖监测仪，CGMs）的数据，有助于降低变异性并提高时间在范围内。然而，这些系统往往无法防止糖尿病紊乱，因为预测算法存在局限，无法准确预判糖尿病波动。这一局限性凸显了需要更先进的血糖预测方法。为此，我们引入 GLIMMER（血糖水平指示模型，Modified Error Rate），这是一个用于血糖预测的模块化、架构无关训练框架。GLIMMER 组合结构化预处理、区域感知损失函数 formulation，以及基于遗传算法的权重优化，以强调糖尿病紊乱区域的预测准确性。我们使用两个数据集对 GLIMMER 进行评估：一个是公开的 OhioT1DM 数据集，另一个是我们新收集的 AZT1D 数据集，包含来自 25 名 T1D 患者的数据。我们的分析表明，GLIMMER 在基线架构上 consistently 改进了预测性能，分别将 RMSE 和 MAE 降低最高可达 24.6% 和 29.6%。此外，GLIMMER 对于糖尿病紊乱预测实现了 98.4% 的召回率和 86.8% 的 F1 分数，凸显了在临床高风险区域的强大性能。与包含数百万参数的前沿模型（如 TimesNet（18.7M）、BG-BERT（2.1M）和 Gluformer（11.2M））相比，GLIMMER 在保持相当准确性的同时，只使用 10K 参数，展示了其作为轻量级、架构无关解决方案进行糖尿病预测的效率。
引用
@article{arxiv.2502.14183,
title = {Glycemic-Aware and Architecture-Agnostic Training Framework for Blood Glucose Forecasting in Type 1 Diabetes},
author = {Saman Khamesian and Asiful Arefeen and Maria Adela Grando and Bithika M. Thompson and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2502.14183},
year = {2026}
}