基于神经网络的糖尿病血糖预测中的不确定性量化
机器学习
2026-03-31 v2 医学物理
摘要
本文研究了用于血糖预测和不良糖尿病事件识别的不确定性感知神经网络模型。我们考虑基于 LSTM、GRU 和 Transformer 架构的三类序列模型，通过蒙特卡罗 dropout 或与 Deep Evidential Regression 兼容的证据输出层实现不确定性量化。使用 HUPA-UCM 糖尿病数据集进行验证，我们发现配备证据输出头的 Transformer 模型提供了最有效的不确定性感知框架，实现持续的预测准确率和更好的校准不确定性估计，其大小显著相关于预测误差。我们进一步使用最近提出的糖尿病技术学会误差网格评估每个模型的临床风险，风险类别由国际专家共识定义。我们的结果表明，将原则性不确定性量化集成到实时基于机器学习的血糖预测系统中的价值。
引用
@article{arxiv.2603.04955,
title = {Uncertainty quantification in neural network-based glucose prediction for diabetes},
author = {Hai Siong Tan and Rafe McBeth},
journal= {arXiv preprint arXiv:2603.04955},
year = {2026}
}
备注
20 pages, 7 figures; v2: minor revisions with PR-AUC curves included in result analysis. Code available at https://github.com/HaiSiong-Tan/Uncertainty_aware_glucose_prediction