通过变分自编码器异常值检测增强基于神经网络的人工胰腺系统的安全性与调节鲁棒性

《IFAC Journal of Systems and Control》：Enhancing safety and regulatory robustness in neural network-based artificial pancreas system via variational autoencoder outlier detection

　　

摘要
将神经网络（NN）整合到自动胰岛素输注系统（NN-AID，也称为神经人工胰腺）中，已被证明可以提高最佳胰岛素剂量计算的效率。作为函数逼近器的神经网络，使复杂的全闭环控制算法（如模型预测控制器，即 MPC）在可穿戴设备上的部署更近一步。然而，NN-AID 本质上易受异常值和分布外输入的影响，这些情况可能源于传感器漂移或故障、瞬时异常，或任何内部和外部用户因素。在本工作中，提出了一种安全机制，以缓解关于神经网络外推性能的根本担忧，该机制基于最优采样数据集（OSDs）和成熟的基于变分自编码器（VAE）的异常检测方法。利用来自真实世界临床试验的数据以及来自成熟的 1 型糖尿病计算机模拟器的虚拟模拟，实验表明，基于 VAE 的异常值检测和过滤模块可以有效地消除潜在有害的结构化异常。结果表明，在被错误分类为正常值的异常值中，VAE 在神经网络与 MPC 推荐控制动作之间的偏差显著低于逻辑回归分类器。特别是，第 99 百分位残差误差从接近 200 mU/min 的值进一步降低到最大约 20–30 mU/min，这是一次数量级的改进，对于距离训练分布更远的异常值，这种改进甚至更为明显。这些结果表明，基于 VAE 的预过滤是缓解基于神经网络的胰岛素输注系统中外推风险的有效且可行的机制。

引言
自动胰岛素输注（AID）系统，也被称为人工胰腺，是一种反馈驱动的系统，它已经彻底改变并升级了采用该系统的患者的 1 型糖尿病（T1DM）管理方式，将其作为一个连续的自动化过程来给药理想的胰岛素量并监测血糖轨迹，以预测患者的胰岛素需求（Hovorka, 2011）。决策过程每几分钟发生一次，并持续全天。这些系统通常由持续血糖监测（CGM）设备、用于皮下胰岛素输注的胰岛素泵以及通常内置于泵中的闭环算法组成，该算法根据之前的 CGM 测量值调整并输送基础和大剂量胰岛素（Cobelli 等，2011）。目前全球范围内的真实世界证据表明，AID 系统可以显著促进血糖控制过程，并通过减少血糖变异性并增加范围内时间（TIR）来改善血糖结果，这极大地帮助了许多适应该系统的 1 型糖尿病患者提高整体生活质量（Breton 等，2020, Brown 等，2019, Garcia-Tirado 等，2021）。

现代 AID 系统正朝着优先考虑功能改进的设计演变，旨在尽可能无感和用户友好。这通常要求算法在集成到计算能力、内存和电池寿命更为有限的紧凑可穿戴设备中时，具备高效、安全和兼容性。同时，它们通常需要在其他设备之间共享资源和信息，这对在这些平台上嵌入计算密集型优化求解器（例如 MPC 数值求解器）构成了重大挑战（Pryor 等，2025）。响应速度、能源效率和设备寿命也可能受到负面影响。因此，AID 技术的持续发展必须专注于设计高效、稳定的控制算法，使其能够在有限资源下有效运行。

在一项先前的研究中（Castillo 等，2023），通过训练神经网络（NN）来高效地模仿并从而替代内部模型预测控制算法以建议最佳胰岛素剂量，实施了一种基于神经网络的自动胰岛素输注系统。具体来说，这种替代方法涉及通过监督学习训练神经网络来逼近运行 MPC 产生的控制策略动作。MPC 涉及每几分钟在实时重复进行密集的优化问题求解，而选定的神经网络由一系列小型矩阵乘法组成。网络训练后，神经网络通过单次前向传递解决实时优化问题，完全取代了闭环控制架构内的原始优化器。引入神经网络作为 MPC 的替代物，可以在保持近乎最佳的控制性能的同时，显著改善计算效率（Kovatchev 等，2024），从而促进在最严格和有限的资源约束下全面部署 AID 系统。

然而，由于神经网络在分布外输入上运行时性能不可预测，带来了新的安全问题——即数据远非训练期间所见的数据。如先前工作所示（Shen 等，2025），随着输入逐渐远离训练分布，神经网络输出与最优控制解决方案之间的偏差会增加。因此，有必要评估并开发方法论来解决这一安全问题并降低错误的可能性。除了技术考虑外，监管监督要求进一步 necessitates 开发用于输入验证和异常检测的安全机制。由于 AID 系统被归类为中等风险患者的二类医疗器械，它受到美国食品药品监督管理局（FDA）的一般和特殊控制，以确保其在实时操作中的安全性和有效性（Van Norman, 2016）。虽然法规标准 requires 系统在已知和验证的输入范围内安全运行，但在临床上捕获、测试和验证所有罕见和极端情况是不切实际的。因此，至关重要的是在系统中引入并整合异常检测机制，以有效且适当地分类和管理可疑异常值或分布外输入。

本文提出整合一个基于变分自编码器（VAE）的异常检测模块，以增强基于神经网络的 AID 系统的内部安全机制。总共评估了 141 个训练好的 VAE 模型，它们可以大致分为两类：密集型 VAE 和 VampPrior VAE（Kingma and Welling, 2013; Tomczak and Welling, 2018）。每个单一模型在潜在维度、正则化、隐藏维度和网络架构上有所不同。结果表明，VAE 检测模型可以有效地检测外推输入，随着与训练数据（最优采样数据集，即 OSD）距离的增加，性能得到提高。最终选定的训练好的 VAE 模型识别出高风险异常值输入，即使在错误分类的异常值中，神经网络与 MPC 之间的绝对胰岛素剂量偏差也显著低于未过滤的基线和逻辑回归分类器。除了作为稳健的安全层之外，VAE 还可以概率性地建模验证后的输入域，以便系统地识别操作范围之外的可疑输入。未来的工作可以完善异常的定义，探索在 AID 环境中生成外推点的更有效方法，并评估替代的分布外检测方法，如潜在空间偏差。

在基于神经网络的 AID 系统中，评估训练数据质量以及系统在标称操作空间之外的行为至关重要，以确保安全有效的运行和部署。最优采样数据集是一个手动构建的训练集，准确地捕捉了 MPC 的完整操作行为（Castillo 等，2025）。它是来自真实临床试验数据和广泛使用的计算机模拟平台的输入状态（和控制动作对）的过滤子集。选择过程使用最近邻算法进行过滤，以确保输入点之间预定义的预定义最小距离，并通过均匀覆盖整个相关的生理状态空间来减少冗余。作为这一设计过程的结果，OSD 使用最小数据集为 MPC 学习的神经网络定义了验证操作区域，以促进高效的神经网络学习，并确保神经网络替代物学习预期的控制行为，并且希望与验证过的 MPC 输出保持一致。

OSDs 还为系统地测量和手动创建验证操作区域之外的外推点提供了基础，如图 1 所示的概念描绘。分布外样本可以通过沿某些随机方向位移标称正常值状态来生成，位移幅度范围为距离最近的 OSD 点 1 到 10 个距离单位（Shen 等，2025）。此外，使用 OSD 内置的近似最近邻搜索算法（Castillo 等，2025），可以计算任何查询状态输入到其最近的 OSD 点的距离。如果两者之间的距离超过预定义阈值，该状态被分类为相对于 OSD 操作范围内所有状态的异常值。这种最近邻距离搜索可以作为异常值检测器。然而，由于它需要数百万个高维状态输入，这需要大量的内存、计算和实时搜索能力，因此在嵌入式医疗设备（如胰岛素泵）中部署完整的 OSD 是不切实际的。因此，需要 OSDs 的轻量级替代方案以实现更高效、实时的检测，尽管 OSDs 为异常检测提供了真值。

作为一种深度生成模型，变分自编码器能够通过单次前向传播以固定的计算复杂度实现分布外检测（Ruff 等，2021）。VAE 学习常规生理状态输入的潜在隐藏表示，然后可以通过重建误差检测外推的分布外点（Han 等，2022, Sun 等，2021, Wang 等，2020）。

其他传统的异常值检测算法，包括单类支持向量机（SVM）、隔离森林和基于 K 最近邻的距离方法，当应用于高维、复杂数据时，往往在泛化性、完全端到端自动化或部署可扩展性方面面临局限（Chandola 等，2009, Liu 等，2008）。另一方面，VAE 提供了重建输入的概率框架。它代表了一种学习复杂生理状态分布内潜在结构和变量间关系的原则性方法（Chalapathy and Chawla, 2019, Pang 等，2021）。与简单的自编码器相比——这是一种经典的基于重建的异常值检测模型，由于倾向于记住并过拟合训练分布，其不确定性估计的重建性能通常有限且不稳定——VAE 通过变分推断框架纳入潜在空间正则化（Higgins 等，2017, Kingma and Welling, 2013）。这种结构提高了泛化能力，并能够量化查询输入的不确定程度，这两者对于 AID 系统等临床环境中的结构化异常值检测都至关重要。

章节片段
数据集与状态表示
检测器是在单个最优采样数据集（OSD）上训练的。它包含来自真实临床试验和计算机模拟数据的 9,315,488 个状态，并以密度分辨率 J*=0.10 和控制动作惩罚 Su=0 生成（Castillo 等，2025）。在保留的状态中，9,020,988 个（96.8%）来自计算机模拟，294,500 个（3.2%）来自真实临床队列。由于最近邻过滤器仅保留落在每个状态分辨率圆之外的候选者...

最佳 VAE 模型选择
全连接 VAE 达到了最高的验证总体 AUROC（0.951），在 [0.1,1.0) 区间上的近边界 AUROC 为 0.799。该模型的潜在维度为 dz=5，β=0.001，架构具有隐藏维度 h=8 和网络深度 L=1。编码器和解码器均由单层全连接层组成，带有 ReLU 激活，以及分别用于潜在参数和重建的线性输出层（即 FC → ReLU → FC）。如表 3 总结所示，该

讨论
选择误报率为 1/288 的阈值 t 是一个刻意的权衡。它限制了对手标控制器操作的不必要和重复性干扰。同时，它仍然提供了对虚假警报的一致且可解释的界限。此外，以操作单位选择框架阈值（每日误报数）可以促进实际集成到真实世界的 AID 系统中。
最终选定的表现最佳的 VAE 的结构提供了见解

结论
变分自编码器被引入作为过滤工具，用于检测和拒绝异常生理状态，防止它们进入进一步的计算并执行潜在危险的控制动作。实验表明，VAE 学习了正常输入状态的分布表示，并能够稳健地检测异常输入。这种架构提供了一种实用、可扩展的方法，以增强数据驱动胰岛素输注算法的安全性。此外，

CRediT 作者贡献声明
Jiaxin (Olivia) Shen: 写作 – 审阅与编辑，写作 – 初稿，可视化，验证，软件，方法论，调查，形式分析，数据整理。Alberto Castillo: 写作 – 审阅与编辑，写作 – 初稿，监督，软件，方法论，形式分析，数据整理。Dane Williamson: 可视化，验证，监督，软件，方法论，调查，数据整理。

Anas El Fathi：撰写 – 审阅与编辑、可视化、监督，
利益冲突声明
作者声明以下财务利益/个人关系，这些可能被视为潜在的利益冲突：
JS 通过其机构从 Tandem Diabetes Care 获得了研究支持。
DW 声明他没有已知的竞争财务利益或个人关系，这些可能被认为会影响本文报告的工作。
AC 持有由弗吉尼亚大学管理的糖尿病技术专利工作。
AC 受雇于 Insulet Corporation；
Jiaxin(Olivia) Shen|Alberto Castillo|Dane Williamson|Anas El Fathi|Marc D. Breton