ใช้ LSTM ในการพยากรณ์ระดับน้ำตาล

Prediction of Blood Glucose Level by using an LSTM based Recurrent Neural networks

สรุปบทความเกี่ยวกับการคาดการณ์ระดับน้ำตาลในเลือด

บทความที่มีชื่อว่า “การทำนายระดับกลูโคสในเลือดโดยใช้เครือข่ายประสาทซ้ำที่ใช้ LSTM” มุ่งเน้นไปที่การใช้เครือข่ายความจำระยะสั้นระยะยาว (LSTM) ซึ่งเป็นเครือข่ายประสาทเชิงซ้ำ (RNN) ประเภทหนึ่งเพื่อทำนายระดับน้ำตาลในเลือดในผู้ป่วยเบาหวานนี่คือประเด็นสำคัญที่ได้มาจากบริบทที่ให้ไว้:

• ความสำคัญของการจัดการโรคเบาหวาน: โรคเบาหวานเป็นปัญหาสุขภาพที่สำคัญที่มีผลกระทบต่อหลายล้านคนทั่วโลก โดยการคาดการณ์บ่งชี้ว่าผู้ป่วยเพิ่มขึ้นการตรวจสอบระดับน้ำตาลในเลือดเป็นประจำมีความสำคัญต่อการจัดการโรคเบาหวานและป้องกันภาวะแทรกซ้อน [1]

• ภาพรวมเครือข่าย LSTM: เครือข่าย LSTM ได้รับการออกแบบมาเพื่อจัดการลำดับของข้อมูล ทำให้เหมาะสำหรับการคาดการณ์อนุกรมเวลา เช่น ระดับน้ำตาลในเลือดประกอบด้วยส่วนประกอบต่าง ๆ รวมถึงประตูอินพุต ประตูลืม และประตูเอาต์พุต ซึ่งทำงานร่วมกันเพื่อจัดการสถานะเซลล์และกำหนดว่าข้อมูลใดที่จะเก็บรักษาหรือทิ้ง [2] [3]

• การจัดการสถานะเซลล์: สถาปัตยกรรม LSTM ประกอบด้วยกลไกในการอัปเดตสถานะเซลล์ (C_t)ประตูลืม (f_t) ตัดสินว่าข้อมูลใดไม่เกี่ยวข้องอีกต่อไปและควรถูกทิ้งหากเอาต์พุตของประตูลืมคือ 0 ข้อมูลจะถูกทิ้ง หากเป็น 1 ข้อมูลจะถูกเก็บไว้เพื่อใช้ในอนาคต [3] [4]

• การคำนวณเอาต์พุต: เอาต์พุต (h_t) ของ LSTM คำนวณตามสถานะเซลล์ที่เปลี่ยนแปลง ซึ่งประมวลผลผ่านฟังก์ชัน tanh เพื่อให้แน่ใจว่าค่าอยู่ระหว่าง -1 ถึง 1เอาต์พุตนี้จะถูกใช้ในขั้นตอนต่อไปของเครือข่าย [5] [6]

• การตรวจสอบแบบจำลอง: บทความกล่าวถึงการตรวจสอบความถูกต้องของแบบจำลอง LSTM โดยใช้ข้อมูลที่รวบรวมจากผู้ป่วยเบาหวาน โดยเน้นประสิทธิภาพของแบบจำลองในการทำนายระดับน้ำตาลในเลือดอย่างถูกต้อง [1]

โดยสรุป บทความนี้นำเสนอแนวทางที่ครอบคลุมในการทำนายระดับน้ำตาลในเลือดโดยใช้เครือข่าย LSTM โดยเน้นถึงความสำคัญของการจัดการโรคเบาหวานและการทำงานทางเทคนิคของสถาปัตยกรรม LSTM

Prediction-Coherent LSTM-based Recurrent Neural Network for Safer Glucose Predictions in Diabetic People

งานวิจัยนี้นำเสนอโมเดล LSTM ที่มีการปรับปรุงฟังก์ชันการสูญเสีย (loss function) เพื่อเพิ่มความเสถียรของการพยากรณ์ระดับน้ำตาลในเลือด โดยเน้นการลดความผันผวนของค่าที่พยากรณ์ ซึ่งช่วยให้ผู้ป่วยมีความมั่นใจในการตัดสินใจเกี่ยวกับสุขภาพของตนเองมากขึ้น

บทนำ

• โรคเบาหวานทำให้เสียชีวิต 1.5 ล้านคนในปี 2555 ซึ่งก่อให้เกิดความท้าทายด้านสุขภาพที่สำคัญ

• ผู้ป่วยโรคเบาหวานต้องเผชิญกับความเสี่ยงจากทั้งภาวะน้ำตาลในเลือดต่ำและน้ำตาลในเลือดสูงซึ่งนำไปสู่ภาวะแทรกซ้อน

• การตรวจสอบกลูโคสอย่างต่อเนื่อง (CGM) และเทคโนโลยีตับอ่อนเทียมช่วยในการจัดการโรคเบาหวาน

• ความก้าวหน้าของการเรียนรู้ของเครื่องช่วยให้สามารถทำนายค่ากลูโคสในอนาคตโดยใช้ข้อมูลผู้ป่วย

• แบบจำลองการทำนายหลายขั้นตอนใช้ข้อมูลกลูโคส การบริโภคคาร์โบไฮเดรต และอินซูลินในอดีตสำหรับการคาดการณ์

• การวิจัยการทำนายกลูโคสในระยะแรกที่มุ่งเน้นไปที่แบบจำลองการถดถอยอัตโนมัติ แบบจำลองปัจจุบันมีความซับซ้อนมากขึ้น

• มีการสำรวจแบบจำลองต่าง ๆ เช่น SVR, GP และเครือข่ายประสาทเพื่อทำนายกลูโคส

• เครือข่ายประสาทโดยเฉพาะ LSTM แสดงความสัญญาแต่มักขาดเสถียรภาพในการคาดการณ์

• ความเสถียรในการคาดการณ์เป็นสิ่งสำคัญในการป้องกันการกระทำของผู้ป่วยที่เป็นอันตรายจากการคาดการณ์ที่ไม่ถูกต้อง

• เอกสารเสนอสถาปัตยกรรมใหม่ที่ใช้ LSTM และฟังก์ชันการสูญเสียเพื่อเพิ่มเสถียรภาพในการคาดการณ์

• การมีส่วนร่วมรวมถึงฟังก์ชันการสูญเสียใหม่ การตรวจสอบกับรุ่นที่ทันสมัย และการมุ่งเน้นไปที่โรคเบาหวานประเภท 2

• เอกสารสรุปโครงสร้างโดยมีรายละเอียดเกี่ยวกับสถาปัตยกรรมแอปพลิเคชันและผลลัพธ์ที่เสนอ

เครือข่ายประสาทที่เกิดขึ้นซ้ำที่ใช้ LSTM ที่สอดคล้องกันแบบคาดการณ์

• แบบจำลองทำนายค่าซีรี่ส์เวลาในอนาคตโดยใช้ข้อมูลและคุณสมบัติที่ผ่านมา

• RNN โดยเฉพาะอย่างยิ่งที่ใช้ LSTM มีประสิทธิภาพสำหรับการพยากรณ์อนุกรมเวลาเนื่องจากความสามารถชั่วคราว

• ฟังก์ชันการสูญเสีย MSE แบบดั้งเดิมไม่รับประกันความสอดคล้องในการคาดการณ์ต่อเนื่อง

• เสนอสถาปัตยกรรม LSTM แบบสองเอาต์พุตเพื่อลงโทษการคาดการณ์ที่ไม่สอดคล้องกันระหว่างการฝึกอบรม

• ปัจจัยความสอดคล้องในฟังก์ชันการสูญเสียใหม่ทำให้สมดุลความแม่นยำและความเสถียรในการคาดการณ์

วิธีการ

• มีการกล่าวถึงรายละเอียดของการตั้งค่าการทดลองข้อมูลการประมวลผลล่วงหน้าแบบจำลองและเมตริกการประเมินผลของการศึกษา

• ซอร์สโค้ดสำหรับการศึกษามีอยู่บน GitHub

ข้อมูลการทดลอง

• ข้อมูลที่มาจากชุดข้อมูล Ohio T1DM และ IDIAB รวมถึงผู้ป่วยเบาหวานประเภท 1 และประเภท 2

• ชุดข้อมูลโอไฮโอประกอบด้วยข้อมูลจากผู้ป่วยโรคเบาหวานประเภท 1 หกคนที่ตรวจสอบในช่วงแปดสัปดาห์

• ชุดข้อมูล IDIAB เกี่ยวข้องกับผู้ป่วยโรคเบาหวานประเภท 2 ห้าคนที่ตรวจสอบเป็นเวลาประมาณ 32 วัน

• ผู้ป่วยใช้อุปกรณ์ CGM และบันทึกข้อมูลอาหารและอินซูลินผ่านแอพฝึกสอน

การประมวลผลล่วงหน้า

• การประมวลผลล่วงหน้ามีวัตถุประสงค์เพื่อสร้างมาตรฐานชุดข้อมูลสำหรับการฝึกอบรมและการทดสอบแบบจำลอง

• วันที่ไม่สมบูรณ์ถูกนำออกเพื่อปรับสมดุลการฝึกอบรมและชุดทดสอบ

• การอ่านกลูโคสที่ผิดพลาดถูกกำจัดเพื่อให้แน่ใจว่ามีคุณภาพของข้อมูล

• การสุ่มตัวอย่างข้อมูลแบบซิงโครไนซ์เป็นช่วงเวลา 5 นาที โดยเฉลี่ยของกลูโคสและรวมอินซูลินและ CHO

• การเชื่อมต่อถูกใช้เพื่อเติมค่ากลูโคสที่ขาดหายไปรักษาลักษณะของสัญญาณ

• ชุดข้อมูลถูกแบ่งออกเป็นชุดการฝึกอบรมการตรวจสอบและการทดสอบโดยมีการแจกจ่าย 50%/25%/25%

• ข้อมูลอินพุตได้รับการมาตรฐานสำหรับการฝึกอบรมการตรวจสอบและการทดสอบ

โมเดล

• การศึกษาเปรียบเทียบ PCLsTM กับรุ่น ELM, GP, LSTM และ SVR

• แต่ละรุ่นเป็นส่วนบุคคลสำหรับผู้ป่วยโดยใช้ข้อมูลที่ผ่านมาสามชั่วโมง

• ไฮเปอร์พารามิเตอร์ได้รับการปรับแต่งโดยใช้การค้นหาตารางเพื่อประสิทธิภาพที่ดีที่สุด

• ELM มีเลเยอร์ที่ซ่อนอยู่เดียวพร้อมบทลงโทษ L2 เพื่อลดการตกค้างเกินไป

• โมเดล GP ใช้เคอร์เนลผลิตภัณฑ์จุดเพื่อประสิทธิภาพที่ดีขึ้นในการทำนายกลูโคส

• รุ่น LSTM ประกอบด้วย 128 ยูนิต ฝึกฝนด้วยการสูญเสีย MSE และโทษ L2

• PCLsTM แบ่งปันลักษณะ LSTM แต่รวมสถาปัตยกรรมสองเอาต์พุตและการสูญเสีย CMSe

• โมเดล SVR ใช้เคอร์เนล RBF ที่มีพารามิเตอร์เฉพาะเพื่อการติดตั้งที่เหมาะสม

การประมวลผลหลังการ

• ฟังก์ชั่นการสูญเสีย CMSe ส่งเสริมการคาดการณ์ที่สะท้อนการเปลี่ยนแปลงอัตรากลูโคสที่แท้จริง

• ใช้เทคนิคการปรับความเรียบค่าเฉลี่ยเคลื่อนที่เพื่อเพิ่มเสถียรภาพในการคาดการณ์

เมตริกการประเมินผล

• ใช้ตัวชี้วัดสามประการ ได้แก่ RMSE, DrMSE และ CG-EGA สำหรับการยอมรับทางคลินิก

• RMSE วัดความแม่นยำในการทำนายโดยรวม DrMSE ประเมินความแม่นยำของรูปแบบที่คาดการณ์ไว้

• CG-EGA ประเมินความยอมรับทางคลินิกตามบริบทและรูปแบบการคาดการณ์

ผลลัพธ์และการอภิปราย

• ผลลัพธ์แสดงให้เห็นถึงจุดแข็งที่แตกต่างกันระหว่างโมเดล โดยที่ GP มีความแม่นยำตามจุดแต่ไม่เสถียร

• SVR แสดงให้เห็นถึงความยอมรับทางคลินิกที่ดีที่สุดแม้ว่า RMSE ต่ำกว่า

• PclsTM ปรับปรุงDrMSE และการยอมรับทางคลินิกเมื่อเทียบกับ LSTM

• เทคนิคการทำให้เรียบเนียนเพิ่มเสถียรภาพและความยอมรับทางคลินิกในทุกรุ่น

• การแลกเปลี่ยนที่ทำโดย PCLsTM พิสูจน์แล้วว่ามีประสิทธิภาพมากขึ้นในการปรับปรุงเมตริก

ข้อสรุป

• ฟังก์ชั่นการสูญเสียใหม่สำหรับ RNN ช่วยเพิ่มเสถียรภาพในการคาดการณ์กลูโคส

• แบบจำลองที่เสนอตรวจสอบประสิทธิภาพของ LSTM ในการพยากรณ์กลูโคส

• แนวทางนี้ช่วยปรับปรุงการยอมรับทางคลินิกของการคาดการณ์อย่างมีนัยสำคัญ

• งานในอนาคตจะปรับแต่งฟังก์ชันการสูญเสียเพื่อรวมบทลงโทษสำหรับการคาดการณ์ที่ผิดพลาด

Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing for Blood Glucose Prediction

งานวิจัยนี้เสนอการใช้โมเดล LSTM แบบซ้อนหลายชั้นร่วมกับเทคนิค Kalman Smoothing เพื่อปรับปรุงความแม่นยำในการพยากรณ์ระดับน้ำตาลในเลือด โดยเฉพาะในกรณีที่ข้อมูลจากเซ็นเซอร์มีความผิดพลาด โมเดลนี้ได้รับการทดสอบกับชุดข้อมูล OhioT1DM และแสดงผลลัพธ์ที่น่าพอใจในด้านความแม่นยำ

บทนำ

• โรคเบาหวานเป็นโรคเรื้อรังที่มีระดับน้ำตาลในเลือดสูงเนื่องจากอินซูลินไม่เพียงพอ

• โรคเบาหวานประเภท 1 เกิดจากการทำลายเซลล์ทำให้เกิดการขาดอินซูลินอย่างสมบูรณ์

• โรคเบาหวานประเภท 2 เกี่ยวข้องกับข้อบกพร่องในการหลั่งอินซูลินที่ก้าวหน้าท่ามกลางความ

• ภาวะน้ำตาลในเลือดต่ำเกิดขึ้นเมื่อน้ำตาลในเลือดต่ำเกินไป ภาวะน้ำตาลในเลือดสูงเกิดขึ้นเมื่อสูงเกินไป

• ภาวะน้ำตาลในเลือดสูงในระยะยาวนำไปสู่ภาวะแทรกซ้อนอย่างรุนแรงในอวัยวะต่าง ๆ ทำให้จำเป็นต้องมีการจัดการที่เหมาะสม

• การรักษาด้วยอินซูลินภายนอกเป็นสิ่งจำเป็นสำหรับการจัดการโรคเบาหวานประเภท 1

• การตรวจสอบตนเองในปัจจุบันเกี่ยวข้องกับการทดสอบการติดนิ้วมือบ่อยๆ จำเป็นต้องมีวิธีการปรับปรุงเช่น CGM และปั๊มอินซูลิน

• การบำบัดด้วยปั๊มเสริมเซ็นเซอร์ผสมผสานปั๊มอินซูลินเข้ากับการตรวจสอบกลูโคสอย่างต่อเนื่องเพื่อการจัดการที่ดีขึ้น

• มีการเสนอวิธีการทางสถิติและการเรียนรู้ของเครื่องต่างๆสำหรับการพยากรณ์ระดับน้ำตาลในเลือด

• วิธีการแบบคลาสสิกอย่าง ARIMA มีข้อ จำกัด วิธีการเรียนรู้ของเครื่องที่ไร้เดียงสา ขึ้นอยู่กับการแสดงข้อมูลอินพุตอย่างมาก

• มีการพัฒนาแบบจำลองทางสรีรวิทยาเพื่อปรับปรุงแบบจำลองการเรียนรู้ของเครื่องสำหรับการทำนายระดับน้ำตาลในเลือด

• ผลงานล่าสุดที่ใช้ RNN ไม่ได้รับความแม่นยำเพียงพอสำหรับข้อมูลผู้ป่วยจริง

• ความผิดพลาดของเซ็นเซอร์ในระบบ CGM มักถูกมองข้ามในวิธีการล่าสุด

• มีการสำรวจวิธีการทางสถิติสำหรับระบบเตือนเบื้องต้นภาวะน้ำตาลในเลือดต่ำที่เชื่อถือได้

• มีการวิจัยที่ จำกัด สำหรับการตรวจจับระดับน้ำตาลในเลือดสูง สัญญาณ ECG สามารถใช้ร่วมกับ ANN เพื่อตรวจจับ

• ความผิดพลาดของเซ็นเซอร์อาจนำไปสู่การคาดการณ์ที่ผิดพลาดส่งผลต่อประสิทธิภาพการจัดการโรคเบาหวาน

• มีความแตกต่างระหว่างการอ่าน CGM และระดับน้ำตาลในเลือดที่แท้จริงทำให้การคาดการณ์ซับซ้อน

• การปรับความเรียบของ Kalman ช่วยเพิ่มความแม่นยำในการทำนายโดยแก้ไขข้อผิดพลาดในการอ่าน CGM

• การศึกษานี้เสนอวิธีการเรียนรู้เชิงลึกโดยใช้ LSTM สำหรับการทำนายระดับน้ำตาลในเลือด

ชุดข้อมูล

• ชุดข้อมูล Ohiot1dm ประกอบด้วยข้อมูลแปดสัปดาห์จากผู้ป่วยโรคเบาหวานประเภท 1 หกคน

• การรวบรวมข้อมูลโดยใช้ปั๊มอินซูลิน Medtronic และเซ็นเซอร์ CGM พร้อมรายงานเหตุการณ์ประจำวันผ่านแอป

• ชุดข้อมูลมีระดับ CGM ทุก 5 นาที การอ่านลายนิ้วมือ ปริมาณอินซูลิน และข้อมูลมื้ออาหาร

• ข้อมูลเพิ่มเติมรวมถึงจำนวนขั้นตอนอัตราการเต้นของหัวใจและเมตริกทางสรีรวิทยาอื่น ๆ

• การทดลองมีวัตถุประสงค์เพื่อระบุคุณสมบัติที่เหมาะสมสำหรับการทำนายระดับน้ำตาลในเลือด

• ค่า CGM การบริโภคคาร์โบไฮเดรตและโบลัสอินซูลินส่งผลในเชิงบวกต่อความแม่นยำของโมเดล

• คุณลักษณะบางอย่างเช่นอินซูลินพื้นฐานและการนอนหลับไม่มีผลต่อความแม่นยำอย่างมีนัยสำคัญ

การสกัดคุณลักษณะจากข้อมูลทางสรีรวิทยา

• คุณสมบัติที่เลือกสำหรับโมเดล ได้แก่ ค่า CGM ข้อมูลมื้ออาหารปริมาณอินซูลินและการนับขั้นตอน

ข้อมูลคาร์โบไฮเดรต

• น้ำตาลในเลือดเพิ่มขึ้น 15 นาทีหลังอาหารสูงสุดที่ 1 ชั่วโมง จากนั้นลดลง

• คำนวณระดับคาร์โบไฮเดรตที่มีประสิทธิภาพสำหรับแต่ละดัชนีเวลาหลังอาหาร

• 15 นาทีแรกหลังอาหารจะถูกเพิกเฉยต่อเนื่องจากผลกระทบของระดับน้ำตาลในเลือด

• ผลคาร์โบไฮเดรตสูงสุดเกิดขึ้นที่ 60 นาทีตามด้วยระยะลดลง

ข้อมูลอินซูลิน

• เฉพาะข้อมูลอินซูลินโบลัสเท่านั้นที่ใช้ในการสร้างอินพุตไปยังแบบจำลอง RNN

• อินซูลินที่มีประสิทธิภาพคำนวณตามอัตราการดูดซึมและปริมาณล่าสุด

ข้อมูลการนับขั้นตอน

• คำนวณค่าเฉลี่ยถ่วงน้ำหนักของการนับขั้นตอนในช่วง 50 นาทีก่อนหน้านี้สำหรับการป้อนข้อมูล

ข้อมูลระดับกลูโคสจากการอ่าน CGM

• ทั้งการอ่าน CGM ที่ยังไม่ผ่านกระบวนการและการอ่านของ Kalman เรียบจะใช้เป็นช่องอินพุต

Kalman Smoothing สำหรับการประมวลผลล่วงหน้า

• การทำให้เรียบเนียนของ Kalman แก้ไขข้อผิดพลาดในการอ่าน CGM ให้การประมาณระดับกลูโคสที่เชื่อถือได้

• วิธีนี้ใช้อัลกอริทึมส่งต่อสำหรับการประมวลผลข้อมูลแบบเรียลไทม์

• การทำให้เรียบเนียนของ Kalman ช่วยปรับปรุงการประมาณการโดยการใช้ข้อมูลทั้งในอดีตและอนาคต

การสร้างแบบจำลอง

• แบบจำลองใช้ RNN ที่ใช้ LSTM เพื่อเรียนรู้การทำนายระดับน้ำตาลในเลือด

• LSTM แก้ไขปัญหาการพึ่งพาระยะยาวที่พบใน RNN คลาสสิก

• สถาปัตยกรรมประกอบด้วยหลายเลเยอร์และแบบหลีกเลี่ยงเพื่อป้องกันการติดตั้งมากเกินไป

• แบบจำลองทำนายระดับน้ำตาลในเลือดตามคุณสมบัติอินพุตต่างๆ

การตั้งค่าทดลอง

• มีการใช้การตั้งค่าสองแบบ: การอ่าน CGM ดิบและค่าที่เรียบของ Kalman สำหรับการแก้ไขข้อผิดพลาด

ไฮเปอร์พารามิเตอร์

• เซลล์ LSTM และ GRU ได้รับการทดสอบ LSTM มีประสิทธิภาพเหนือกว่า GRU ในความแม่นยำในการทำนาย

• มีการทดลองความยาวประวัติข้อมูลต่างๆเพื่อการกำหนดค่าอินพุตที่เหมาะสม

การฝึกอบรม การทดสอบ และการตรวจสอบความถูกต้อง

• ชุดข้อมูลถูกแบ่งสำหรับการฝึกอบรมการตรวจสอบและการทดสอบเพื่อให้แน่ใจว่าข้อมูลเพียงพอสำหรับการคาดการณ์

• ใช้ขนาดแบทช์ 128 โดยมีการพิจารณาประวัติย้อนหลัง 50 นาทีก่อนหน้าสำหรับการนับขั้นตอน

เกณฑ์การประเมินผลและผลลัพธ์

• ประสิทธิภาพของโมเดลได้รับการประเมินตามความแม่นยำมากกว่า 30 และ 60 นาที

• การทำให้เรียบของ Kalman ช่วยเพิ่มความแม่นยำในการทำนายได้อย่างมีนัยสำคัญเมื่อเทียบกับการอ่าน CGM แบบดิบ

ผลลัพธ์สำหรับชุดข้อมูลที่มีการอ่าน CGM ที่ไม่ผ่านกระบวนการ/raw

• มีการกล่าวถึงความแม่นยำของโมเดล RNN แบบเรียงซ้อนที่เสนอสำหรับการอ่าน CGM ดิบ

ผลลัพธ์สำหรับชุดข้อมูลที่มีการอ่าน CGM ของ Kalman Smoothed

• RMSE ถูกประมาณสำหรับการคาดการณ์โดยใช้ทั้งค่า CGM ที่ประมวลผลล่วงหน้าและค่าดิบ

• การทำให้เรียบเนียนของคาลแมนช่วยเพิ่มความแม่นยำในการทำนายได้อย่างมาก

การวิเคราะห์และการเปรียบเทียบผลลัพธ์

• โมเดลที่ลึกขึ้นพร้อมเลเยอร์ LSTM ที่ซ้อนกันมีประสิทธิภาพเหนือกว่าโมเดลตื้นสำหรับขอบเขตการคาดการณ์ที่ยาวนานขึ้น

• RMSE แตกต่างกันไปในผู้ป่วยโดยได้รับอิทธิพลจากคุณภาพของข้อมูลและความผันผวนในการอ่าน CGM

• การทำให้เรียบเนียนของ Kalman ช่วยลดข้อผิดพลาดในการทำนายและปรับปรุงความสามารถในการเรียนรู้แบบจำลอง

ข้อสรุป

• การทำให้เรียบเนียนของ Kalman ช่วยเพิ่มความแข็งแกร่งของการคาดการณ์ระดับน้ำตาลในเลือด

• วิธีการที่เสนอให้การคาดการณ์ที่น่าเชื่อถือมากขึ้นช่วยการจัดการโรคเบาหวาน

• ความแม่นยำในการทำนายที่ดีขึ้นสามารถช่วยให้ผู้ป่วยหลีกเลี่ยงอาการน้ำตาลในเลือดที่ไม่พึงประสงค์

Predicting Blood Glucose with an LSTM and Bi-LSTM Based Deep Neural Network

เปรียบเทียบ LSTM/Bi-LSTM ในผู้ป่วยจริง

บทนำ

• โรคเบาหวานเป็นโรคเรื้อรังที่เกิดจากการขาดการผลิตอินซูลิน (ประเภท 1) หรือความผิดปกติ (ประเภท 2)

• ภาวะน้ำตาลในเลือดสูงนำไปสู่ภาวะแทรกซ้อนที่รุนแรงเช่นโรคหัวใจและหลอดเลือดและไตวาย

• การตรวจสอบระดับน้ำตาลในเลือดอย่างต่อเนื่องสามารถจัดการกับภาวะแทรกซ้อนได้ วิธีการรวมถึงเทคนิคการรุกรานขั้นต่ำและเทคนิคที่ไม่รุกราน

• ข้อมูลอนุกรมเวลาสามารถทำนายความเสี่ยงของภาวะน้ำตาลในเลือดต่ำและระดับน้ำตาลในเลือดสูงโดยใช้มาตรการทางสถิติ

• ผู้ป่วยมักต้องการการตรวจวัดระดับน้ำตาลในเลือด (SMBG) 5-6 ครั้งต่อวัน

• อัลกอริทึมการเรียนรู้เชิงลึกโดยเฉพาะ LSTM ถูกนำมาใช้สำหรับการทำนายกลูโคส

• LSTM เก็บข้อมูลเมื่อเวลาผ่านไปเหมาะสำหรับการประมวลผลและทำนายข้อมูลอนุกรมเวลา

• บล็อกหน่วยความจำใน LSTM ประกอบด้วยเซลล์และหน่วยประตูสำหรับการจัดการข้อมูลที่มีประสิทธิภาพ

เครือข่ายประสาทซ้ำ

• เครือข่ายประสาทเทียม (ANN) เลียนแบบเซลล์ประสาทสมองมนุษย์สำหรับการประมวลผลข้อมูล

• AN Ns ใช้ได้ในสาขาต่าง ๆ รวมถึงการวิเคราะห์ประวัติสุขภาพสำหรับการจัดการโรค

• การศึกษาก่อนหน้านี้ใช้ ANN ในการทำนายระดับน้ำตาลในเลือดตามข้อมูลในอดีต

• แบบจำลองการจำลองสำหรับการทำนายกลูโคสรวมผลระยะสั้นและระยะยาวของอินซูลิน

• อัลกอริทึมการเรียนรู้ซ้ำแบบเรียลไทม์ฝึกเครือข่ายประสาทที่เกิดขึ้นซ้ำ (RNN) โดยใช้ข้อมูลกลูโค

• การเรียนรู้เชิงลึกช่วยเพิ่มความแม่นยำผ่านหลายเลเยอร์ที่ซ่อนอยู่สำหรับการประมวลผลข้อมูล

• RNN มีหน่วยความจำภายในทำให้สามารถประมวลผลข้อมูลตามลำดับได้อย่างมีประสิทธิภาพ

• ปัญหาการไล่ระดับสีที่หายไปใน RNN มาตรฐานสามารถบรรเทาได้โดยใช้หน่วย LSTM

• สถาปัตยกรรม LSTM รวมถึงประตูลืมและป้อนข้อมูลเพิ่มประสิทธิภาพการเก็บรักษาและการประมวลผลข้อมูล

• โมเดล LSTM ที่เสนอใช้เครื่องมือเพิ่มประสิทธิภาพ Adam และได้รับการฝึกอบรมใน 80% ของข้อมูล

อาร์เอ็มเซ

• มีการแสดงสถาปัตยกรรมของเครือข่าย LSTM โดยเน้นขั้นตอนการดำเนินงาน

ผลลัพธ์

• การตรวจสอบระดับน้ำตาลในเลือดอย่างต่อเนื่องเป็นเวลาหนึ่งเดือนดำเนินการโดยใช้อุปกรณ์ SMBG

• แบบจำลอง LSTM คาดการณ์ระดับกลูโคสในอนาคตช่วยในการจัดการภาวะน้ำตาลในเลือดต่ำและภาวะน้ำตาลในเลือดสูง

• ค่า RMSE แสดงถึงความแม่นยำของระดับน้ำตาลในเลือดที่คาดการณ์เมื่อเทียบกับข้อมูลที่สังเกต

ข้อสรุป

• แบบจำลอง LSTM ทำนายระดับน้ำตาลในเลือดได้อย่างมีประสิทธิภาพโดยใช้ข้อมูลในอดีต

• RMSE ที่บรรลุ 1.79 mmol/l แสดงให้เห็นถึงประสิทธิภาพการคาดการณ์ที่เหนือกว่า

• ความแม่นยำของโมเดลสามารถปรับปรุงได้โดยการเพิ่มประสิทธิภาพอัตราการเรียนรู้และใช้ชุดข้อมูลที่ใหญ่ขึ้น

Study of Short-Term Personalized Glucose Predictive Models on Type-1 Diabetic Children

งานวิจัยนี้เปรียบเทียบโมเดลต่าง ๆ เช่น LSTM, Feedforward Neural Networks, Extreme Learning Machines, Support Vector Regression และ Gaussian Processes ในการพยากรณ์ระดับน้ำตาลในเลือดของเด็กที่เป็นเบาหวานชนิดที่ 1 โดยเน้นการปรับแต่งโมเดลให้เหมาะสมกับแต่ละบุคคล

บทนำ

• โรคเบาหวานทำให้เสียชีวิต 1.5 ล้านคนในปี 2555 ซึ่งเป็นภัยคุกคามต่อสุขภาพอย่างมีนัยสำคัญ

• ผู้ป่วยโรคเบาหวานเผชิญกับความท้าทายในการจัดการระดับน้ำตาลในเลือดเนื่องจากปัญหาอินซูลิน

• ภาวะน้ำตาลในเลือดต่ำและน้ำตาลในเลือดสูงอาจนำไปสู่ภาวะแทรกซ้อนในระยะสั้นและระยะยาวอย่างรุนแรง

• ความก้าวหน้าเช่นอุปกรณ์ตรวจสอบกลูโคสอย่างต่อเนื่อง (CGM) ช่วยในการติดตามระดับกลูโคส

• แอปพลิเคชันการฝึกสอนเช่น MySugr สนับสนุนการจัดการโรคเบาหวานและได้รับการอนุมัติจากองค์การอาหารและยา

• การผ่าตัดลดน้ำตาลแสดงอัตราการบรรเทาอาการเบาหวานประเภท 2 36% ในช่วงสิบปี

• การคาดการณ์ค่ากลูโคสในอนาคตเป็นสิ่งสำคัญสำหรับการจัดการโรคเบาหวาน

• ปัจจุบันเทคนิคที่ขับเคลื่อนด้วยข้อมูลเป็นที่นิยมสำหรับการสร้างแบบจำลองการทำนายกลูโคส

• แบบจำลองการถดถอยอัตโนมัติแบบดั้งเดิมกำลังถูกแทนที่ด้วยแบบจำลองการถดถอยที่ซับ

• การศึกษาล่าสุดแสดงให้เห็นการพยากรณ์ที่ดีขึ้นโดยใช้ข้อมูลอาหารและเครือข่ายประสาท

• หน่วยเครือข่ายประสาทที่เกิดขึ้นซ้ำ (RNN) และหน่วยความจำระยะสั้นระยะยาว (LSTM) ได้รับการสำรวจเพื่อการคาดการณ์

• Extreme Learning Machine (ELM) และวิธีการเคอร์เนลยังแสดงความมั่นใจในการพยากรณ์กลูโคส

• ปัญหาการแบ่งปันข้อมูลขัดขวางการศึกษาเปรียบเทียบในการวิจัยโรคเบาหวาน

• การศึกษาก่อนหน้านี้ได้เปรียบเทียบแบบจำลองการทำนายต่างๆ แต่ผลลัพธ์ยังไม่ชัดเจน

• การศึกษานี้เปรียบเทียบแบบจำลองการทำนายกลูโคสที่มีแนวโน้มหกแบบและหารือเกี่ยวกับวิธีการและผลลัพธ์

วิธี

• มีการระบุวิธีการเปรียบเทียบแบบจำลองเชิงคาดการณ์

• ขั้นตอนการรวบรวมข้อมูลการทดลองและการประมวลผลล่วงหน้ามีรายละเอียด

• มีการกล่าวถึงเมตริกการประเมินที่ใช้ในการศึกษา

การจำลองข้อมูล

• ซอฟต์แวร์ T1DMS จำลองผู้ป่วยเบาหวานประเภท 1 เพื่อวัตถุประสงค์ในการวิจัย

• การศึกษาเกี่ยวข้องกับเด็กเบาหวานชนิดที่ 1 แบบ in-silico 10 คนในสถานการณ์มื้ออาหารแบบสุ่ม

• มื้ออาหารถูกสุ่มตามเวลาและปริมาณเพื่อสะท้อนความแปรปรวนในชีวิตจริง

• การบริโภคอินซูลินโบลัสตามอัตราส่วนที่คำนวณ

• การจำลองใช้เวลา 29 วันเพื่อปรับปรุงการสรุปแบบจำลอง

• ผลลัพธ์รวมถึงค่ากลูโคสการบริโภคคาร์โบไฮเดรตและอินซูลินโบลัสเมื่อเวลาผ่านไป

การประมวลผลข้อมูลล่วงหน้า

• ข้อมูลอนุกรมเวลาถูกแบ่งออกเป็นชุดย่อยประจำวันสำหรับการวิเคราะห์

• แต่ละชุดย่อยได้รับการขยายด้วยข้อมูลวันก่อนหน้าเพื่อความแม่นยำในการทำนาย

• วันแรกถูกทิ้งเพื่อหลีกเลี่ยงผลกระทบจากการอุ่นเครื่อง

• ข้อมูลถูกแบ่งออกเป็นชุดการฝึกอบรมการประเมินและการทดสอบสำหรับการฝึกแบบจำลอง

แบบจำลองการทำนายกลูโคส

• มีการนำแบบจำลองทำนายต่างๆมาใช้และปรับแต่งสำหรับผู้ป่วยแต่ละราย

1) เครือข่ายประสาทแบบป้อนกลับ (FFNN)

• ประกอบด้วยสี่เลเยอร์ที่ซ่อนอยู่พร้อมจำนวนเซลล์ประสาทเฉพาะและฟังก์ชั่นการเปิดใช้งาน

• น้ำหนักเริ่มต้นจากแบบจำลองหยาบเพื่อเร่งการฝึกซ้อม

• ปรับแต่งอย่างละเอียดโดยใช้เครื่องมือเพิ่มประสิทธิภาพ Adam และฟังก์ชั่นการสูญเสียข้อผิดพลาด Mean Squared

• มีการใช้บทลงโทษ L2 และการหยุดก่อนกำหนดเพื่อบรรเทาความเหมาะสมเกินไป

2) เครือข่ายประสาทกำเริบของหน่วยความจำระยะสั้นระยะยาว (LSTM)

• ประกอบด้วยชั้นที่เกิดขึ้นซ้ำหนึ่งชั้นที่มีหน่วย LSTM 64 หน่วย

• น้ำหนักเริ่มต้นคล้ายกับ FFNN และปรับแต่งด้วยเครื่องมือเพิ่มประสิทธิภาพ Adam

• เทคนิคการปรับสม่ำเสมอรวมถึงบทลงโทษ L2 และการเลิกเรียนซ้ำ

3) เครื่องเรียนรู้ที่รุนแรง (ELM)

• การปรับแต่งอย่างง่ายด้วยเลเยอร์ที่ซ่อนอยู่เดียวและฟังก์ชั่นการเปิดใช้งานโลจิสติกส์

• บทลงโทษ L2 ใช้เพื่อลดการติดตั้งมากเกินไป โดยมีการปรับจำนวนเซลล์ประสาทตามประสิทธิภาพ

4) สนับสนุนการถดถอยของเวกเตอร์ (SVR)

• ใช้กับเคอร์เนลฟังก์ชันพื้นฐานแนวรัศมี (RBF) ปรับให้เหมาะสมผ่านการค้นหาตาราง

• พารามิเตอร์ ได้รับการแก้ไขเพื่อปรับสมดุลค่าโทษการสูญเสียการฝึกอบรม

5) การถดถอยของกระบวนการเกาสเซียน (GP)

• ใช้สองเวอร์ชัน: เคอร์เนล RBF และเคอร์เนล dot-product (DP)

• เพิ่มเสียงรบกวนในการสังเกตเพื่อปรับปรุงการติดตั้งแบบจำลอง

เมตริกประสิทธิภาพ

• ใช้การตรวจสอบข้ามแบบซ้อนกันสำหรับการประเมินแบบจำลองและการปรับแต่งไฮเปอร์พารามิเตอร์

• ข้อผิดพลาดสี่เหลี่ยมเฉลี่ย (RMSE) และการวิเคราะห์ตารางข้อผิดพลาดกลูโคสอย่างต่อเนื่อง (CG-EGA) เป็นตัวชี้วัดหลัก

1) ข้อผิดพลาดรากค่าเฉลี่ยสี่เหลี่ยม

• RMSE วัดความแม่นยำในการทำนายและใช้เป็นฟังก์ชันการสูญเสีย

• จะลงโทษข้อผิดพลาดที่ใหญ่กว่าซึ่งมีความสำคัญในการทำนายกลูโคส

2) การวิเคราะห์กริดข้อผิดพลาดของกลูโคสอย่างต่อเนื่อง

• CG-EGA ประเมินความยอมรับทางคลินิกของการคาดการณ์ผ่านกริดสองกริด

• การคาดการณ์แบ่งออกเป็นประเภทที่ถูกต้อง อ่อนโยน หรือผิดพลาดตามค่ากลูโคสที่แท้จริง

ผลลัพธ์

• สรุปผลลัพธ์ในแง่ของ RMSE และ CG-EGA เฉลี่ยสำหรับโมเดล

• โมเดล ELM ทำงานแย่ที่สุดด้วย RMSE สูงและการคาดการณ์ที่ผิดพลาด

• โมเดล SVR, FFNN และ GP-DP แสดงให้เห็นถึงการคาดการณ์โดยรวมที่ดีที่สุด

• การยอมรับทางคลินิกแตกต่างกันไปตามช่วงระดับน้ำตาลในเลือดโดยบางรุ่นมีประสิทธิภาพไม่ดี

• โมเดล LSTM, SVR และ GP-DP รักษาประสิทธิภาพที่มั่นคงตลอดการประเมิน CG-EGA

การสนทนา

• โมเดล ELM, GP-RBF และ FFNN แสดงการคาดการณ์ข้อผิดพลาดสูงในบางช่วง

• ไม่มีผู้ชนะที่ชัดเจนในบรรดาโมเดล LSTM, SVR และ GP-DP แต่ละรุ่นมีความโดดเด่นในด้านที่แตกต่างกัน

• GP-DP มีความแปรปรวนสูงขึ้นซึ่งบ่งชี้ถึงเสถียรภาพน้อยลงทั่วประชากร

• CG-EGA พิสูจน์แล้วว่ามีประโยชน์ในการประเมินประสิทธิภาพของโมเดลที่เหนือกว่า RMSE

• RMSE ต่ำของ FFNN ไม่ได้แปลเป็นความยอมรับทางคลินิกในภาวะน้ำตาลในเลือดสูง

• การจัดการข้อมูลตามลำดับของ LSTM มีส่วนช่วยในการคาดการณ์โดยรวมที่ดีขึ้น

• ข้อจำกัดของ CG-EGA ที่ระบุไว้ โดยเฉพาะอย่างยิ่งในการแยกแยะประสิทธิภาพของโมเดล

ข้อสรุป

• มีการเปรียบเทียบแบบจำลองการทำนายกลูโคสหกแบบโดยเน้นจุดแข็งและจุดอ่อน

• RMSE และ CG-EGA ให้ข้อมูลเชิงลึกเกี่ยวกับความแม่นยำในการทำนายและความยอมรับทางคลินิก

• โมเดล GP-DP แสดงการปรับปรุงเหนือโมเดลเคอร์เนล RBF แบบดั้งเดิม

• โมเดล LSTM, SVR และ GP-DP แสดงให้เห็นถึงผลลัพธ์ที่น่าพอใจในช่วงระดับน้ำตาลในเลือดต่างๆ

• มีการกล่าวถึงข้อ จำกัด ของวิธีการประเมินในปัจจุบัน

• การศึกษาในอนาคตอาจสำรวจแบบจำลองและการประยุกต์ใช้กับประชากรเบาหวานอื่น