野外餐食级血糖控制的可解释机械表示
机器学习
2023-12-07 v1 动力系统
应用统计
机器学习
摘要
糖尿病涵盖了复杂的血糖控制情况，个体间差异很大。然而，当前方法未能忠实捕捉餐食层面的这种变异性。一方面，专家设计的特征缺乏数据驱动方法的灵活性；另一方面，学习到的表示往往不可解释，这阻碍了临床采用。在本文中，我们提出了一种混合变分自编码器来学习CGM和餐食数据的可解释表示。我们的方法将潜在空间锚定到机械微分方程的输入上，生成反映生理量（如胰岛素敏感性、葡萄糖有效性和基础血糖水平）的嵌入。此外，我们引入了一种新方法来推断葡萄糖出现率，使机械模型对不可靠的餐食日志具有鲁棒性。在一个包含2型糖尿病和糖尿病前期个体的CGM和自我报告餐食数据集上，我们的无监督表示发现了与疾病严重程度成比例的个体间分离。我们的嵌入产生的聚类比朴素、专家、黑盒和纯机械特征好最多4倍。我们的方法提供了一个细致入微但可解释的嵌入空间，用于比较个体内部和个体间的血糖控制，可直接从野外数据中学习。
引用
@article{arxiv.2312.03344,
title = {Interpretable Mechanistic Representations for Meal-level Glycemic Control in the Wild},
author = {Ke Alexander Wang and Emily B. Fox},
journal= {arXiv preprint arXiv:2312.03344},
year = {2023}
}
备注
Proceedings of Machine Learning for Health (ML4H) 2023. Code available at: https://github.com/KeAWang/interpretable-cgm-representations