SweetDeep: 一种用于实时无创糖尿病筛查的可穿戴AI解决方案
机器学习
2025-12-09 v2 计算机与社会
摘要
2型糖尿病的全球上升趋势凸显了对可扩展且经济的筛查方法的需求。目前的诊断需要生化检测，这是侵入性且昂贵的。消费级可穿戴设备的进步使得基于机器学习的疾病早期探索成为可能，但此前研究仅限于受控环境。我们提出了SweetDeep，一个紧凑型神经网络，基于来自欧盟和MENA地区285名（糖尿病和非糖尿病）参与者的生理和人口统计数据，使用Samsung Galaxy Watch 7设备在自由生活条件下采集了六天的数据。每位参与者每天贡献多条2分钟传感器记录，每人大约20条记录。尽管仅包含不到3000个参数，SweetDeep在三折交叉验证下实现了82.5%的患者级准确率（82.1%宏F1，79.7%灵敏度，84.6%特异度），预期校准误差为5.5%。允许模型在置信度低于10%的少量患者预测上弃权，可在剩余患者上达到84.5%的准确率。这些结果表明，将工程化特征与轻量架构相结合，可以支持在真实可穿戴环境中对2型糖尿病进行准确、快速且泛化的检测。
引用
@article{arxiv.2512.03471,
title = {SweetDeep: A Wearable AI Solution for Real-Time Non-Invasive Diabetes Screening},
author = {Ian Henriques and Lynda Elhassar and Sarvesh Relekar and Denis Walrave and Shayan Hassantabar and Vishu Ghanakota and Adel Laoui and Mahmoud Aich and Rafia Tir and Mohamed Zerguine and Samir Louafi and Moncef Kimouche and Emmanuel Cosson and Niraj K Jha},
journal= {arXiv preprint arXiv:2512.03471},
year = {2025}
}
备注
12 pages, 6 figures. Submitted to the IEEE Journal of Biomedical and Health Informatics