論文の概要: SweetDeep: A Wearable AI Solution for Real-Time Non-Invasive Diabetes Screening
- arxiv url: http://arxiv.org/abs/2512.03471v1
- Date: Wed, 03 Dec 2025 05:52:26 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-12-04 12:14:56.164773
- Title: SweetDeep: A Wearable AI Solution for Real-Time Non-Invasive Diabetes Screening
- Title（参考訳）: SweetDeep:リアルタイム非侵襲糖尿病スクリーニングのためのウェアラブルAIソリューション
- Authors: Ian Henriques, Lynda Elhassar, Sarvesh Relekar, Denis Walrave, Shayan Hassantabar, Vishu Ghanakota, Adel Laoui, Mahmoud Aich, Rafia Tir, Mohamed Zerguine, Samir Louafi, Moncef Kimouche, Emmanuel Cosson, Niraj K Jha,
- Abstract要約: SweetDeepは、285人の被験者の生理的、人口統計学的なデータに基づいて訓練された、コンパクトなニューラルネットワークである。
SweetDeepは3000以上のパラメータを含むにもかかわらず、82.5%の患者レベルの精度を達成している。
これらの結果は, 工学的特徴と軽量なアーキテクチャを組み合わせることで, 2型糖尿病の正確な, 迅速, 一般化可能な検出を支援できることを示唆している。
- 参考スコア（独自算出の注目度）: 2.45947070475613
- License:
- Abstract: The global rise in type 2 diabetes underscores the need for scalable and cost-effective screening methods. Current diagnosis requires biochemical assays, which are invasive and costly. Advances in consumer wearables have enabled early explorations of machine learning-based disease detection, but prior studies were limited to controlled settings. We present SweetDeep, a compact neural network trained on physiological and demographic data from 285 (diabetic and non-diabetic) participants in the EU and MENA regions, collected using Samsung Galaxy Watch 7 devices in free-living conditions over six days. Each participant contributed multiple 2-minute sensor recordings per day, totaling approximately 20 recordings per individual. Despite comprising fewer than 3,000 parameters, SweetDeep achieves 82.5% patient-level accuracy (82.1% macro-F1, 79.7% sensitivity, 84.6% specificity) under three-fold cross-validation, with an expected calibration error of 5.5%. Allowing the model to abstain on less than 10% of low-confidence patient predictions yields an accuracy of 84.5% on the remaining patients. These findings demonstrate that combining engineered features with lightweight architectures can support accurate, rapid, and generalizable detection of type 2 diabetes in real-world wearable settings.
- Abstract（参考訳）: 2型糖尿病の世界的な増加は、スケーラブルで費用対効果の高いスクリーニング方法の必要性を浮き彫りにしている。
現在の診断にはバイオケミカルアッセイが必要で、侵襲的で費用がかかる。
消費者向けウェアラブルの進歩により、機械学習による疾患検出の早期発見が可能になったが、以前の研究は制御された設定に限られていた。
SweetDeepは、EUおよびMENAリージョンの285人の(糖尿病および非糖尿病)参加者の生理的および人口統計データをトレーニングしたコンパクトニューラルネットワークで、Samsung Galaxy Watch 7デバイスを用いて6日間にわたって収集した。
参加者は1日あたり2分間のセンサー記録を複数回提供し、それぞれ約20回記録した。
SweetDeepは、3000以上のパラメータを含むにもかかわらず、3倍のクロスバリデーションの下で82.5%の患者レベル精度(82.1%のマクロF1、79.7%の感度、84.6%の特異性)を達成し、キャリブレーション誤差は5.5%と期待されている。
低信頼の患者予測の10%未満で退院させると、残りの患者では84.5%の精度が得られる。
これらの結果から, 工学的特徴と軽量アーキテクチャを組み合わせることで, 現実のウェアラブル環境での2型糖尿病の正確な, 迅速, 一般化可能な検出が可能であることが示唆された。
関連論文リスト
- Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation [51.12307713554633]
TSODEは、Thompson RL SmplingとNeural Ordinary Differential Equation forecasterを統合した安全対応のコントローラである。
FDAが承認したUVa/Padovaシミュレータ(adult cohort)では、TSODEは87.9%のタイムインレンジを達成した。
論文 参考訳（メタデータ） (2025-11-16T02:11:33Z) - Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。
ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。
モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
論文 参考訳（メタデータ） (2025-04-30T16:10:20Z) - Chronic Disease Diagnoses Using Behavioral Data [42.96592744768303]
高血糖(糖尿病)、高脂血症、高血圧(総称3H)を独自の行動データを用いて診断することを目的としている。
論文 参考訳（メタデータ） (2024-10-04T12:52:49Z) - Accessible, At-Home Detection of Parkinson's Disease via Multi-task Video Analysis [3.1851272788128644]
既存のAIベースのパーキンソン病検出方法は、主にモータや音声タスクの単調な分析に焦点を当てている。
本稿では,このマルチモーダルデータを利用して診断精度を向上させる不確実性校正核融合ネットワーク(UFNet)を提案する。
UFNetは、精度、ORC曲線下(AUROC)の面積、非隣接特異性を維持しながら感度において、シングルタスクモデルよりも優れていた。
論文 参考訳（メタデータ） (2024-06-21T04:02:19Z) - Enhancing Wearable based Real-Time Glucose Monitoring via Phasic Image Representation Learning based Deep Learning [4.07484910093752]
米国では、成人の3分の1以上がプレ糖尿病であり、80%は彼らの状態に気づいていない。
既存のウェアラブルグルコースモニターは、小さなデータセットでトレーニングされたモデルの不足によって制限されている。
論文 参考訳（メタデータ） (2024-06-12T07:05:53Z) - Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。
異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。
このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
論文 参考訳（メタデータ） (2024-03-26T12:20:10Z) - Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural
Network and Machine Learning Classifiers [1.1470070927586016]
本研究の動作は,7つの機械学習分類器と,糖尿病の検出と治療を高精度に予測するためのニューラルネットワーク手法の比較研究である。
トレーニングとテストデータセットは9483人の糖尿病患者の情報を蓄積したものです。
私たちのハイパフォーマンスモデルは、糖尿病を予測し、より正確な予測モデルの研究を促進するために病院によって利用できます。
論文 参考訳（メタデータ） (2023-01-08T19:10:20Z) - A novel solution of deep learning for enhanced support vector machine
for predicting the onset of type 2 diabetes [32.25039205521283]
本研究の目的は,2型糖尿病の発症予測に要する処理時間を改善しつつ,AUC(Area Under the Curve)測定値の精度と精度を向上させることである。
提案手法は平均精度86.31 %、平均AUC値は0.8270 %または82.70 %であり、処理は3.8ミリ秒改善されている。
論文 参考訳（メタデータ） (2022-08-05T18:15:40Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - Forecasting blood sugar levels in Diabetes with univariate algorithms [0.630926369395004]
ウェアラブルガジェットと組み合わされたAIプロシージャは、正確な一過性の血糖レベル予測モデルを伝達することができる。
この時点まで、情報駆動予測モデルを作成する主要な手法は、医師や患者が治療を理想的に変えるのに役立つ「期待できる限りの情報」を収集することであった。
我々は、ウェアラブルプロセッサ内での実行に適したAIタイムアレンジメントガイダンス戦略を利用して、これらのモデルの進歩を構築した。
論文 参考訳（メタデータ） (2021-01-12T21:52:57Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z)
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。