論文の概要: Interpretable Language Model for Closed-Loop Type 1 Diabetes Control

• arxiv url: http://arxiv.org/abs/2607.14126v1
• Date: Fri, 19 Jun 2026 18:15:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.419487
• Title: Interpretable Language Model for Closed-Loop Type 1 Diabetes Control
• Title（参考訳）: 閉鎖ループ型1型糖尿病制御のための解釈可能な言語モデル
• Abstract要約: 本稿ではLLM-T1Dについて述べる。LLの精度とLLM(Large Language Models)の明快で人間ライクな推論を組み合わせ、より透明で信頼性の高いインスリンポンプコントローラを作成する。 FDAが承認したUVA/Padova T1Dシミュレータでテストされ、LSMコントローラは優れた血糖コントロール(73.5%のタイム・イン・レンジ)を提供し、幻覚に対する厳格な安全検証を維持している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Type 1 Diabetes (T1D) is a chronic, life-threatening autoimmune condition characterized by the complete destruction of insulin-producing pancreatic beta cells. While Artificial Pancreas Systems (APS) powered by Reinforcement Learning (RL) have shown promise in automating insulin delivery, their ``black-box'' nature makes it hard for patients and doctors to trust them fully. This paper presents LLM-T1D, a promising approach that combines the precision of RL with the clear, human-like reasoning of Large Language Models (LLMs) to create a more transparent and reliable insulin pump controller. By training an expert RL system and distilling its knowledge into fine-tuned LLaMA 3.1 8B and Qwen3 8B models, we developed a controller that not only surpasses the RL system's performance but also explains its decisions in plain, understandable language. Tested on the FDA-approved UVA/Padova T1D simulator, the LLM controllers deliver excellent blood sugar control (73.5% Time in Range) while maintaining strict formal safety verification against hallucinations.
• Abstract（参考訳）: 1型糖尿病(1 type 1 Diabetes, T1D)は、インスリン産生膵β細胞の完全破壊を特徴とする慢性、致命的な自己免疫疾患である。 Reinforcement Learning(RL)を利用した人工膵システム(APS)は、インスリンデリバリーの自動化を約束しているが、その‘ブラックボックス’の性質は、患者や医師が完全に信頼するのを困難にしている。 本稿ではLLM-T1Dについて述べる。LLの精度とLLM(Large Language Models)の明快で人間ライクな推論を組み合わせ、より透明で信頼性の高いインスリンポンプコントローラを作成する。 専門的なRLシステムを訓練し、その知識を微調整したLLaMA 3.1 8BとQwen3 8Bモデルに抽出することで、RLシステムの性能を上回るだけでなく、その決定を平易で理解可能な言語で説明できるコントローラを開発した。 FDAが承認したUVA/Padova T1Dシミュレータでテストされ、LSMコントローラは優れた血糖コントロール(73.5%のタイム・イン・レンジ)を提供し、幻覚に対する厳格な安全検証を維持している。

関連論文リスト

• A Review on Machine Learning Approaches for the Prediction of Glucose Levels and Hypogylcemia [0.23031174164121124]
  機械学習(ML)モデルは、低血糖を予測し、最適な予防方法を提供することで、糖尿病管理を改善することができる。 本総説では,1型糖尿病(T1D)患者の連続血糖モニタリング(CGM)デバイスデータに基づいて訓練した最先端モデルについて検討する。 短期(15分から120分)と長期(3時間から24時間以上)の予測地平線(PH)を比較した。
  論文  参考訳（メタデータ） (2026-01-09T23:06:36Z)
• 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)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• 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)
• Self-Control of LLM Behaviors by Compressing Suffix Gradient into Prefix Controller [47.00373913550571]
  SelfControlは、明示的な人間のアノテーションを持たない推論時モデル制御方法である。 勾配は、望まれる振る舞いに対する自己回帰生成プロセスを制御するために使用される。 実験では,複数の領域にまたがるSelfControlの有効性を実証した。
  論文  参考訳（メタデータ） (2024-06-04T19:05:10Z)
• Compressing Deep Reinforcement Learning Networks with a Dynamic Structured Pruning Method for Autonomous Driving [63.155562267383864]
  深部強化学習(DRL)は複雑な自律運転シナリオにおいて顕著な成功を収めている。 DRLモデルは、必然的に高いメモリ消費と計算をもたらし、リソース限定の自動運転デバイスへの広範な展開を妨げる。 そこで本研究では,DRLモデルの非重要なニューロンを段階的に除去する,新しい動的構造化プルーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-02-07T09:00:30Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Hybrid Control Policy for Artificial Pancreas via Ensemble Deep Reinforcement Learning [13.783833824324333]
  閉ループグルコース制御の課題に対処するために, 人工膵(HyCPAP)のハイブリッド制御ポリシーを提案する。 FDAが承認したUVA/Padova T1DMシミュレータを用いた広範囲な実験を行った。 本手法は所望のユーグリセミック範囲で過ごす時間が最も多く,低血糖の発生率が最も低い。
  論文  参考訳（メタデータ） (2023-07-13T00:53:09Z)
• Direct Preference Optimization: Your Language Model is Secretly a Reward Model [119.65409513119963]
  本稿では,RLHFにおける報酬モデルの新たなパラメータ化について紹介する。 DPO(Direct Preference Optimization)と呼ばれる結果のアルゴリズムは、安定的で、性能が高く、計算的にも軽量である。 我々の実験は、DPOが人間の好みに合わせて微調整できるだけでなく、既存の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-29T17:57:46Z)
• Offline Reinforcement Learning for Safer Blood Glucose Control in People with Type 1 Diabetes [1.1859913430860336]
  オンライン強化学習(RL)は、糖尿病デバイスにおける血糖コントロールをさらに強化する方法として利用されてきた。 本稿では,FDAが承認したUVA/パドバ血糖動態シミュレータで利用可能な30名の仮想的患者の血糖管理におけるBCQ,CQL,TD3-BCの有用性について検討する。 オフラインのRLは、61.6 +-0.3%から65.3 +/-0.5%までの健康な血糖値において、最強の最先端のベースラインに比べて有意に上昇する。
  論文  参考訳（メタデータ） (2022-04-07T11:52:12Z)
• Deep Reinforcement Learning for Closed-Loop Blood Glucose Control [12.989855325491163]
  自動血糖コントロールのための強化学習技術を開発した。 30人のシミュレーション患者から得られた2100万時間以上のデータに基づいて、我々のRLアプローチはベースライン制御アルゴリズムより優れています。
  論文  参考訳（メタデータ） (2020-09-18T20:15:02Z)
• Basal Glucose Control in Type 1 Diabetes using Deep Reinforcement Learning: An In Silico Validation [16.93692520921499]
  単一ホルモン(インスリン)と二重ホルモン(インスリンとグルカゴン)のデリバリーのための新しい深層強化学習モデルを提案する。 成体コホートでは、目標範囲のパーセンテージは77.6%から80.9%に改善した。 青年コホートでは、目標範囲のパーセンテージが55.5%から65.9%に改善され、単一ホルモンが制御された。
  論文  参考訳（メタデータ） (2020-05-18T20:13:16Z)

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。