論文の概要: GARNN: An Interpretable Graph Attentive Recurrent Neural Network for
Predicting Blood Glucose Levels via Multivariate Time Series
- arxiv url: http://arxiv.org/abs/2402.16230v1
- Date: Mon, 26 Feb 2024 01:18:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 14:53:47.950210
- Title: GARNN: An Interpretable Graph Attentive Recurrent Neural Network for
Predicting Blood Glucose Levels via Multivariate Time Series
- Title（参考訳）: GARNN:多変量時系列による血糖値予測のための解釈可能なグラフ注意リカレントニューラルネットワーク
- Authors: Chengzhe Piao, Taiyu Zhu, Stephanie E Baldeweg, Paul Taylor, Pantelis
Georgiou, Jiahao Sun, Jun Wang, Kezhi Li
- Abstract要約: マルチモーダルデータをモデル化するための解釈可能なグラフ減衰ニューラルネットワーク(GARNN)を提案する。
GARNNは最高の予測精度を達成し、高品質な時間的解釈性を提供する。
これらの知見は糖尿病治療改善のための堅牢なツールとしてのGARNNの可能性を示している。
- 参考スコア（独自算出の注目度）: 12.618792803757714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of future blood glucose (BG) levels can effectively
improve BG management for people living with diabetes, thereby reducing
complications and improving quality of life. The state of the art of BG
prediction has been achieved by leveraging advanced deep learning methods to
model multi-modal data, i.e., sensor data and self-reported event data,
organised as multi-variate time series (MTS). However, these methods are mostly
regarded as ``black boxes'' and not entirely trusted by clinicians and
patients. In this paper, we propose interpretable graph attentive recurrent
neural networks (GARNNs) to model MTS, explaining variable contributions via
summarizing variable importance and generating feature maps by graph attention
mechanisms instead of post-hoc analysis. We evaluate GARNNs on four datasets,
representing diverse clinical scenarios. Upon comparison with twelve
well-established baseline methods, GARNNs not only achieve the best prediction
accuracy but also provide high-quality temporal interpretability, in particular
for postprandial glucose levels as a result of corresponding meal intake and
insulin injection. These findings underline the potential of GARNN as a robust
tool for improving diabetes care, bridging the gap between deep learning
technology and real-world healthcare solutions.
- Abstract（参考訳）: 将来の血糖値(BG)の正確な予測は、糖尿病患者のBG管理を効果的に改善し、合併症を減らし、生活の質を向上させる。
bg予測の技術は,多変量時系列(multi-variate time series, mts)として組織されたセンサデータと自己報告イベントデータといったマルチモーダルデータをモデル化するために,高度なディープラーニング手法を活用することで実現されている。
しかし、これらの方法はほとんどが「ブラックボックス」と見なされており、臨床医や患者に完全に信頼されているわけではない。
本稿では,mtsをモデル化するための解釈可能なグラフ適応型リカレントニューラルネットワーク(garnn)を提案し,可変重要度を要約し,ポストホック解析ではなくグラフ注意機構による特徴マップを生成する。
GARNNを4つのデータセットで評価し,様々な臨床シナリオを示す。
確立された12種類のベースライン法と比較すると、GARNNは最高の予測精度を達成できるだけでなく、特に食事摂取とインスリン注射の結果として、経時的血糖値の高品質な解釈性も提供する。
これらの知見は、GARNNが糖尿病治療を改善するための堅牢なツールであり、ディープラーニング技術と現実世界の医療ソリューションのギャップを埋める可能性を示している。
関連論文リスト
- AttenGluco: Multimodal Transformer-Based Blood Glucose Forecasting on AI-READI Dataset [8.063401183752347]
糖尿病は、持続的な高血糖値(BGL)を特徴とする慢性代謝異常である
近年のディープラーニングモデルでは,BGL予測の改善が期待できる。
本研究では,長期血糖予測のためのマルチモーダルトランスフォーマーベースのフレームワークであるAttenGlucoを提案する。
論文 参考訳（メタデータ） (2025-02-14T05:07:38Z) - GlucoBench: Curated List of Continuous Glucose Monitoring Datasets with Prediction Benchmarks [0.12564343689544843]
連続血糖モニター (Continuous glucose monitors, CGM) は、血糖値を一定間隔で測定する小さな医療機器である。
CGMデータに基づくグルコーストラジェクトリの予測は、糖尿病管理を大幅に改善する可能性を秘めている。
論文 参考訳（メタデータ） (2024-10-08T08:01:09Z) - Uncertainty Quantification over Graph with Conformalized Graph Neural
Networks [52.20904874696597]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。
GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。
本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T21:38:23Z) - Machine Learning based prediction of Glucose Levels in Type 1 Diabetes
Patients with the use of Continuous Glucose Monitoring Data [0.0]
連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。
将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
論文 参考訳（メタデータ） (2023-02-24T19:10:40Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge
Graph Summarization [64.56399911605286]
本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。
SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
論文 参考訳（メタデータ） (2020-10-04T00:14:57Z) - Interpreting Deep Glucose Predictive Models for Diabetic People Using
RETAIN [4.692400531340393]
糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。
2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
論文 参考訳（メタデータ） (2020-09-08T13:20:15Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。