論文の概要: Interpretable Mechanistic Representations for Meal-level Glycemic
Control in the Wild
- arxiv url: http://arxiv.org/abs/2312.03344v1
- Date: Wed, 6 Dec 2023 08:36:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 15:31:42.633863
- Title: Interpretable Mechanistic Representations for Meal-level Glycemic
Control in the Wild
- Title(参考訳): 野生における食事レベルのグリセミクス制御のための解釈可能なメカニック表現
- Authors: Ke Alexander Wang, Emily B. Fox
- Abstract要約: CGMと食事データの解釈可能な表現を学習するためのハイブリッド変分オートエンコーダを提案する。
本手法は, 力学微分方程式の入力に潜時空間を基底として, 生理的量に反映した埋め込みを生成する。
私たちの埋め込みは、ナイーブ、エキスパート、ブラックボックス、純粋なメカニスティックな特徴よりも最大4倍優れたクラスタを生成します。
- 参考スコア(独自算出の注目度): 10.240619571788786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diabetes encompasses a complex landscape of glycemic control that varies
widely among individuals. However, current methods do not faithfully capture
this variability at the meal level. On the one hand, expert-crafted features
lack the flexibility of data-driven methods; on the other hand, learned
representations tend to be uninterpretable which hampers clinical adoption. In
this paper, we propose a hybrid variational autoencoder to learn interpretable
representations of CGM and meal data. Our method grounds the latent space to
the inputs of a mechanistic differential equation, producing embeddings that
reflect physiological quantities, such as insulin sensitivity, glucose
effectiveness, and basal glucose levels. Moreover, we introduce a novel method
to infer the glucose appearance rate, making the mechanistic model robust to
unreliable meal logs. On a dataset of CGM and self-reported meals from
individuals with type-2 diabetes and pre-diabetes, our unsupervised
representation discovers a separation between individuals proportional to their
disease severity. Our embeddings produce clusters that are up to 4x better than
naive, expert, black-box, and pure mechanistic features. Our method provides a
nuanced, yet interpretable, embedding space to compare glycemic control within
and across individuals, directly learnable from in-the-wild data.
- Abstract(参考訳): 糖尿病は、個人間で広く異なる血糖コントロールの複雑な景観を含んでいる。
しかし、現在の方法は、この変動を食事レベルで忠実に捉えていない。
一方、専門家による特徴は、データ駆動方式の柔軟性に欠けており、一方、学習された表現は解釈不能であり、臨床応用を損なう傾向にある。
本稿では,CGMと食事データの解釈可能な表現を学習するためのハイブリッド変分オートエンコーダを提案する。
本手法は, インスリン感受性, グルコース有効性, 基礎グルコースレベルなどの生理的量を反映した埋め込みを生み出す, 力学微分方程式の入力に潜時空間を接地する。
さらに,グルコースの出現率を推定する新しい手法を導入し,信頼性の低い食事ログに頑健なメカニックモデルを構築した。
CGMと2型糖尿病およびプレ糖尿病患者の自己申告食事のデータセットから, 疾患重症度に比例した個人間の分離を見出した。
私たちの埋め込みは、naive、expert、black-box、pure mechanistic機能よりも最大4倍優れたクラスタを生成します。
本手法は,個体間および個体間におけるグリセミック制御を比較するための,微妙で解釈可能な埋め込み空間を提供する。
関連論文リスト
- Designing User-Centric Behavioral Interventions to Prevent Dysglycemia
with Novel Counterfactual Explanations [10.062187787765149]
GlyCoach はグルコース制御の逆作用を説明するためのフレームワークである。
GlyCoachは、もっともらしい説明のユーザの好みに関する事前知識を、対実生成のプロセスに統合する。
GlyCoachは、シミュレーション支援バリデーションにおいて87%の感度を実現し、カウンターファクトな説明を生成する最先端技術を上回っている。
論文 参考訳(メタデータ) (2023-10-02T22:42:52Z) - NutritionVerse: Empirical Study of Various Dietary Intake Estimation
Approaches [60.97896788599621]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。
最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。
我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。
また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文 参考訳(メタデータ) (2023-09-14T13:29:41Z) - Learning Difference Equations with Structured Grammatical Evolution for
Postprandial Glycaemia Prediction [0.0]
グルコース予測は、糖尿病患者の治療において、食事後の危険な合併症を避けるために不可欠である。
ニューラルネットワークのような従来の手法は高い精度を示している。
本稿では,解釈可能性を重視した新しいグルコース予測法を提案する。
論文 参考訳(メタデータ) (2023-07-03T12:22:04Z) - Learning Absorption Rates in Glucose-Insulin Dynamics from Meal
Covariates [28.39179475412449]
食事の栄養素含量は吸収プロファイルに悪影響を及ぼすが、機械的にモデル化することは困難である。
ニューラルネットワークを用いて、個人のグルコース吸収率を予測する。
論文 参考訳(メタデータ) (2023-04-27T16:03:41Z) - Patterns Detection in Glucose Time Series by Domain Transformations and
Deep Learning [0.0]
本研究は,血糖値の今後の変動を予測することを目的としており,血糖値の低下が予想される可能性がある。
提案手法は, 有望な結果を得た4種類の糖尿病患者の実データを用いて検討した。
論文 参考訳(メタデータ) (2023-03-30T09:08:31Z) - Identifying Differential Equations to predict Blood Glucose using Sparse
Identification of Nonlinear Systems [0.0]
本研究では, 糖尿病患者の血糖値のモデル化の可能性について検討した。
インスリンとカロリーに影響を及ぼす変数の組み合わせは、解釈可能なモデルを見つけるために用いられる。
本研究では, 長期血糖動態を微分方程式を用いてシミュレートすることが可能であり, 影響変数がほとんどないことを示す。
論文 参考訳(メタデータ) (2022-09-28T06:11:23Z) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳(メタデータ) (2021-08-07T15:08:15Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳(メタデータ) (2021-06-05T11:42:45Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。
具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。
次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
論文 参考訳(メタデータ) (2020-07-13T20:05:19Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。