論文の概要: Deep Learning Based Estimation of Blood Glucose Levels from Multidirectional Scleral Blood Vessel Imaging
- arxiv url: http://arxiv.org/abs/2603.12715v1
- Date: Fri, 13 Mar 2026 07:01:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-16 17:38:11.952895
- Title: Deep Learning Based Estimation of Blood Glucose Levels from Multidirectional Scleral Blood Vessel Imaging
- Title（参考訳）: 深層学習による多方向硬化型血管画像からの血糖値の推定
- Authors: Muhammad Ahmed Khan, Manqiang Peng, Ding Lin, Saif Ur Rehman Khan,
- Abstract要約: スクレラは、糖尿病に関連する変化を示す可能性がある表面微小血管を含んでいる。
メタボリックステータス分類のための多視点ディープラーニングフレームワークであるScleraGluNetを提案する。
モデル全体の93.8%の精度で、1-vs-rest AUCは0.971,0.956,0.982であった。
- 参考スコア（独自算出の注目度）: 1.224954637705144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Regular monitoring of glycemic status is essential for diabetes management, yet conventional blood-based testing can be burdensome for frequent assessment. The sclera contains superficial microvasculature that may exhibit diabetes related alterations and is readily visible on the ocular surface. We propose ScleraGluNet, a multiview deep-learning framework for three-class metabolic status classification (normal, controlled diabetes, and high-glucose diabetes) and continuous fasting plasma glucose (FPG) estimation from multidirectional scleral vessel images. The dataset comprised 445 participants (150/140/155) and 2,225 anterior-segment images acquired from five gaze directions per participant. After vascular enhancement, features were extracted using parallel convolutional branches, refined with Manta Ray Foraging Optimization (MRFO), and fused via transformer-based cross-view attention. Performance was evaluated using subject-wise five-fold cross-validation, with all images from each participant assigned to the same fold. ScleraGluNet achieved 93.8% overall accuracy, with one-vs-rest AUCs of 0.971,0.956, and 0.982 for normal, controlled diabetes, and high-glucose diabetes, respectively. For FPG estimation, the model achieved MAE = 6.42 mg/dL and RMSE = 7.91 mg/dL, with strong correlation to laboratory measurements (r = 0.983; R2 = 0.966). Bland Altman analysis showed a mean bias of +1.45 mg/dL with 95% limits of agreement from -8.33 to +11.23$ mg/dL. These results support multidirectional scleral vessel imaging with multiview learning as a promising noninvasive approach for glycemic assessment, warranting multicenter validation before clinical deployment.
- Abstract（参考訳）: 血糖状態の定期的なモニタリングは糖尿病管理に不可欠であるが、従来の血液ベースの検査は頻繁な評価には負担がかかる。
硬化体は、糖尿病に関連する変化を示し、眼表面で容易に見える表面微小血管を含む。
ScleraGluNetは3段階の代謝状態分類(正常,コントロール型糖尿病,高血糖糖尿病)のための多視点深層学習フレームワークであり,多方向脳血管画像から連続的断食性血漿グルコース(FPG)を推定する。
このデータセットは、445人の参加者(150/140/155)と2,225人の前方画像で構成された。
血管拡張後, 並列畳み込み枝を用いて特徴を抽出し, Manta Ray Foraging Optimization (MRFO) で洗練し, トランスフォーマーを用いたクロスビューアテンションにより融合した。
主観的5倍のクロスバリデーションを用いて,同一の折り畳みに割り当てられた各対象画像について評価を行った。
ScleraGluNet は 93.8% の精度で、1-vs-rest AUC が0.971、0.956、0.982 が正常、コントロール糖尿病、高グルコース糖尿病である。
FPG推定では,MAE = 6.42 mg/dL,RMSE = 7.91 mg/dLとなり,実験室の測定値(r = 0.983; R2 = 0.966)と強い相関を示した。
Bland Altman 分析では +1.45 mg/dL の平均バイアスが 8.33 から +11.23$ mg/dL まで95% の一致を示した。
これらの結果は,多視点学習による多方向脳血管イメージングを,グリセミックアセスメントのための有望な非侵襲的アプローチとしてサポートし,臨床展開前に多施設での検証を保証している。
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) - Toward Affordable and Non-Invasive Detection of Hypoglycemia: A Machine Learning Approach [2.6564016286234406]
本稿では,ウェアラブルセンサで一般的に捉えられる生体信号であるGalvanic Skin Response (GSR)を用いて,非侵襲的に状態を分類する方法を提案する。
統合されたOttoT1DM 2018と2020のデータセットを使用して、低血糖とノルモ血糖を実現する機械学習パイプラインを構築しています。
検証セットと95%の信頼区間が報告され、信頼性の評価が向上する。
論文 参考訳（メタデータ） (2025-09-22T14:32:07Z) - Data-Driven Abdominal Phenotypes of Type 2 Diabetes in Lean, Overweight, and Obese Cohorts [5.508569823664517]
AIにより、大規模な3D臨床画像において、腹部構造からサイズ、形状、脂肪の詳細な測定を抽出できる。
これにより、2型糖尿病のリスクと防御に関連する体組成のシグネチャを経験的に定義する機会が生まれる。
以上の結果より,2型糖尿病の腹部ドライバは体重階級で一定である可能性が示唆された。
論文 参考訳（メタデータ） (2025-08-14T20:48:08Z) - Evaluating Large Language Models for Multimodal Simulated Ophthalmic Decision-Making in Diabetic Retinopathy and Glaucoma Screening [37.69303106863453]
大規模言語モデル(LLM)は、自然言語のプロンプトに基づいて臨床推論をシミュレートすることができるが、眼科におけるそれらの有用性はほとんど解明されていない。
本研究は,GPT-4による網膜底写真の構造的記述の解釈能力について検討した。
300点の注釈付き眼底画像を用いた振り返り診断検査を行った。
論文 参考訳（メタデータ） (2025-07-02T01:35:59Z) - 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) - From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。
GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。
CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
論文 参考訳（メタデータ） (2024-08-20T13:19:06Z) - 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) - Pointwise visual field estimation from optical coherence tomography in
glaucoma: a structure-function analysis using deep learning [12.70143462176992]
SAP(Standard Automated Perimetry)は、緑内障治療における視野(VF)の喪失を監視するための金の標準である。
我々は,光学コヒーレンス・トモグラフィー(OCT)スキャンによる点方向および全体的VF損失を推定する深層学習(DL)回帰モデルを開発し,検証した。
論文 参考訳（メタデータ） (2021-06-07T16:58:38Z) - Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing
for Blood Glucose Prediction [4.040272012640556]
本研究では,長期長期記憶(LSTM)に基づく深部再発ニューラルネットワーク(RNN)モデルを用いた血糖値予測手法を提案する。
6人の異なる患者の8週間のデータを含むOttoT1DMデータセットでは、平均RMSEは6.45と17.24mg/dlを30分60分予測水平線(PH)で達成している。
以上の結果から,t1d糖尿病管理のための人工膵およびインスリン注入システムの性能向上を期待できる,より信頼性の高いbg予測が可能と考えられた。
論文 参考訳（メタデータ） (2021-01-18T02:31:38Z) - Detecting hidden signs of diabetes in external eye photographs [3.0972826606740558]
眼前部の外部写真は、糖尿病性網膜疾患や血糖コントロールに関する洞察を明らかにすることができる。
糖尿病患者145,832人の外眼写真を用いた深層学習システム(DLS)を開発した。
以上の結果から, 糖尿病患者の医療提供者にとって, 外部視線写真は有用な情報を含んでいることが示唆された。
論文 参考訳（メタデータ） (2020-11-23T21:14:34Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。