《Machine Learning and Knowledge Extraction》:Personalized Blood Glucose Prediction Using Physiology- Informed Machine Learning
Sarala Ghimire,
Turgay Celik,
Martin Gerdes and
Christian W. Omlin
编辑推荐:
摘要:基于数据驱动的血糖预测建模方法由于生物系统固有的变异性而面临重大挑战。尽管这类方法能够通过自动化过程高效捕捉统计模式,但往往缺乏将模型行为与潜在生理机制相联系所必需的生物学可解释性。相比之下,生理模型能够提供准确的机制性表征,但其通常需要复杂的参数化以及
摘要:基于数据驱动的血糖预测建模方法由于生物系统固有的变异性而面临重大挑战。尽管这类方法能够通过自动化过程高效捕捉统计模式,但往往缺乏将模型行为与潜在生理机制相联系所必需的生物学可解释性。相比之下,生理模型能够提供准确的机制性表征,但其通常需要复杂的参数化以及专门的领域知识。
本研究提出一种利用生理信息引导神经网络(PINNs)的血糖水平(BGLs)预测方法。该方法通过将胰岛素与进餐动力学参数纳入预测网络架构之中,解决血糖水平预测问题。该框架采用两阶段学习策略用于生理过程建模与血糖水平预测。首先,对神经网络进行预训练,使其逼近生理动力学方程的解;随后,将该预训练模型的输出,即胰岛素与葡萄糖浓度状态,作为输入馈送至预测模型,从而实现预测精度优化与生理参数估计的同步进行。与传统建模方法相比,该方法在个体化预测与可解释性方面具有优势。结果表明,该模型在保持较强预测性能并与基础生理原理相一致的同时,具备生理参数估计能力。该框架在个体化预测建模中具有重要潜力,尤其适用于需要精确且高效理解个体代谢特征的场景。
本文发表于《Machine Learning and Knowledge Extraction》,围绕1型糖尿病血糖预测中“预测精度”与“生理可解释性”难以兼得的问题展开。研究背景在于,连续葡萄糖监测(CGM,连续葡萄糖监测)数据为血糖预测提供了高频时序信息,深度学习模型虽能从历史数据中学习复杂模式,但多属于“黑箱”模型,难以解释其预测与胰岛素吸收、餐后葡萄糖出现及胃排空等生理过程之间的联系,而且往往依赖大量标注数据。与之相对,传统生理模型能够以常微分方程(ODE,常微分方程)形式刻画葡萄糖-胰岛素调控机制,但参数多、校准复杂、个体化实施困难。已有混合建模研究虽然将生理知识作为静态输入特征或训练约束引入模型,却普遍未能同时实现自由生活场景下的个体化参数识别、稳健预测以及反事实层面的临床可解释分析。因此,开展一种兼顾数据驱动灵活性、机制一致性与个体化能力的研究具有明确必要性。
研究人员提出了生理信息引导血糖预测网络(PIBGN),通过神经常微分方程(NODE,神经常微分方程)逼近胰岛素动力学与进餐吸收动力学,并将得到的生理状态表示与历史血糖数据共同输入下游预测网络,实现血糖水平预测和个体化生理参数估计。研究结论显示,该框架能够较准确地重建胰岛素与葡萄糖相关潜在动力学,维持30 min与60 min预测任务中的竞争性性能,并提供具有生理学一致性的参数估计、敏感性分析和反事实解释。研究的重要意义在于,它不是单纯追求最低误差,而是在临床可接受精度下增强了模型透明度、机制一致性和个体差异刻画能力,为个体化糖尿病管理提供了更具解释力的预测工具。
在技术方法上,研究使用OhioT1DM数据集,纳入12例1型糖尿病受试者8周的CGM、胰岛素和进餐记录。方法上主要包括:其一,基于胰岛素皮下吸收模型与口服葡萄糖吸收模型构建IODE与MODE两个NODE子模型;其二,采用两阶段迁移学习策略,先冻结生理参数以学习动力学解,再解冻可训练参数并与血糖预测网络端到端联合优化;其三,在损失函数中联合使用Huber数据损失与生理残差约束;其四,采用RMSE、MAE、Clarke误差网格(CEG)以及敏感性分析、反事实分析和消融实验进行综合验证。
3.1. Qualitative Assessment
研究人员首先验证IODE与MODE对生理动力学的逼近能力。通过比较模型输出与对应数学模型前向仿真参考值,结果显示血浆胰岛素量Q
p(t)与肠道葡萄糖Q
gut(t)的时间演化轨迹整体高度一致,仅在峰值附近出现轻微高估或低估。这表明所构建的NODE子模型能够学习并复现胰岛素吸收和进餐吸收的关键动态。表3中各受试者的均方误差(MSE,均方误差)均较低,进一步支持其生理表征能力。研究还展示了胃排空速率k
empt(t)随胃内葡萄糖含量Q
sto(t)变化的非线性关系:胃内容物较多时接近k
max,随着排空进展逐步下降至k
min。模型预测的k
empt轨迹与参考轨迹接近,说明其保留了餐后吸收的重要生理规律。此外,结合血糖、胃排空、肠道葡萄糖与胰岛素变化的时序图,研究进一步说明胃排空作为餐后葡萄糖入血的限速环节,会影响随后血糖波动的时机与幅度,模型成功捕捉了这种复杂耦合关系。
3.2. Quantitative and Clinical Assessment
在定量和临床评价中,研究人员分别考察30 min与60 min预测时域的性能。30 min预测中,RMSE分布约为13.37–25.50 mg/dL,60 min预测中升高至24.75–43.55 mg/dL,显示随预测跨度延长误差增加,这是时间序列预测中常见现象。MAE(平均绝对误差)也呈现相同趋势。尽管如此,Clarke误差网格分析显示,30 min时域中A+B区占比约为97.21%–99.89%,60 min时域中亦高于93%,说明绝大多数预测落在临床可接受范围内,而C、D、E区占比较低,提示严重误判较少。由此可见,该模型不仅数值误差控制较好,而且在临床决策相关层面具有可接受性和安全性。
3.3. State-of-the-Art Comparison
在与现有方法的比较中,研究人员将PIBGN与MTL-LSTM、SAN及多种传统或深度学习基线进行对照。30 min预测时,MTL-LSTM在多数受试者上取得最低RMSE,但PIBGN总体稳定地位居前列,并在部分受试者上取得最优结果,如570和596号受试者。60 min预测时,PIBGN在552、570和596号受试者上取得最佳RMSE,整体表现仍具竞争力。研究据此指出,尽管某些纯数据驱动方法在特定场景下有更低误差,但其表现跨时域波动较大;相比之下,PIBGN兼顾不同预测时域的稳定性,并额外提供生理解释能力。这一点构成其相较传统黑箱模型的重要优势。
3.4. Parameter Estimation and Sensitivity Analysis
参数估计结果表明,不同预测时域训练所得参数数值接近,30 min与60 min模型间对应参数变化不足1%,提示模型对生理表示具有一致性。进一步地,在不同学习率条件下,参数k
e与k
a2均收敛至相近位置,表明优化过程能够识别较稳定、受约束的参数解。研究还分析了个体间变异:k
e变异较低,k
a2、k
abs、k
max表现为中等变异,而k
min变异最高。此结果提示不同受试者在胰岛素清除、吸收及胃排空特性上存在差异,模型可通过参数显式呈现这些个体差别。敏感性分析显示,预测输出对胰岛素吸收率k
a2较敏感,对胰岛素消除率k
e亦有响应,但程度相对有限;对于肠道吸收率k
abs,尽管其变化范围较大,血糖预测轨迹整体保持相对稳定,表现出较弱且非单调的敏感性。研究据此认为,各参数虽对误差贡献程度不同,但仍保留生理相关性,并支持解释个体代谢特征。
3.5. Counterfactual Analysis
反事实分析用于展示模型的可解释性与临床启发价值。研究人员选取570与575号受试者,构造不同“进餐量-餐时大剂量胰岛素”组合情景,考察预测血糖随输入变化的响应。在基线条件下,两名受试者的预测血糖不同;当增加5单位餐时胰岛素而不摄入碳水化合物时,两者下降幅度不同,提示胰岛素反应存在个体差异。随着进餐量增加至30–40 g乃至100 g,预测血糖相应上升,但两位受试者的上升幅度明显不同。研究结合表7指出,这种差异与个体参数相关,例如575号受试者具有更高的k
e,意味着胰岛素清除更快,从而导致血糖下降作用较短,预测血糖相对更高。进一步结合胃排空曲线,研究发现胃排空较慢的个体在相同进餐和胰岛素条件下呈现更缓慢、更平缓的餐后血糖反应。该部分结果说明,模型不仅输出数值预测,还能够通过可解释的生理路径说明“为何如此预测”。
3.6. Ablation Study
消融实验比较了不含生理输入的基础血糖预测网络(BGN)与包含IODE、MODE生理表示的PIBGN。结果显示,在30 min预测时域,PIBGN在12名受试者上全部优于BGN,说明引入生理信息能稳定改善短时预测。60 min预测时,PIBGN在12名受试者中的8名上保持优势,其余4名受试者上BGN略优,但差异较小。这表明生理信息整合在短时预测中的促进作用更明确,在较长预测时域中优势仍存在但不完全一致。研究人员据此认为,PIBGN在较长时域下仍保持总体竞争力,其机制一致性和可解释性在临床场景中具有补充价值。
讨论部分指出,本研究的核心贡献在于将可训练、受试者特异的生理参数直接嵌入网络架构,而非仅将生理量作为静态特征或固定约束使用。通过两阶段迁移学习,模型先学习群体层面的普遍动力学,再在个体数据上微调,从而兼顾稳定性与个体化。讨论同时强调,该方法在少量受试者的自由生活CGM数据上已显示出参数可识别性、临床可接受预测性能与可解释性。然而,作者也明确指出若干局限:研究未纳入独立的纯生理前向仿真基线;迁移学习组件的单独贡献尚未量化;样本仅来自12例1型糖尿病受试者,外部推广仍需更大规模、多样化队列验证;此外,敏感性分析提示部分参数如k
abs对预测输出影响较小,这可能与模型结构、参数交互或样本多样性有关,仍值得进一步研究。整体而言,讨论部分强调该模型并非在所有情况下都追求最低RMSE,而是在轻微精度代价下换取了参数可解释性、机制一致性、个体化能力与临床透明度。
研究结论部分翻译如下:
本研究提出了一种新型生理信息引导血糖预测模型,该模型利用神经常微分方程(NODE)学习胰岛素与进餐动力学,并将其输入预测模型。所提出模型能够对血糖水平作出准确且具有生理可解释性的预测,并通过多种验证方法得到证实。ODE结果表明,该模型具有较强能力来表征胰岛素和葡萄糖动力学的底层生理过程,能够准确再现消化时序与血糖调控之间在临床上观察到的关系。研究结果还显示,胃排空速率的变化会直接影响血糖波动发生的时机和幅度。
此外,分析评价和临床评价均证实该模型具有稳健且临床可接受的预测性能。参数可识别性分析提示,在不同初始化和学习率条件下,模型倾向于收敛到约束良好的参数值,从而为解的稳定性提供初步证据。尽管某些参数对预测精度的直接贡献较小,敏感性分析显示模型输出仍会对这些参数的变化产生响应,从而证实其生理相关性。通过反事实分析,模型的可解释性进一步得到验证,该分析表明模型不仅能够生成精确的数值预测,还能够捕捉胰岛素、进餐与血糖水平之间有意义且可解释的关系,这种能力有助于临床决策,而在多数现有先进方法中并不具备。综合这些分析,可为调整后的参数保留生理可解释性并产生合理且临床一致的输出提供初步证据。尽管与部分先进深度学习方法相比,该模型的RMSE略高,但其所提供的生理可解释性、机制一致性、个体化能力和临床透明性,相较于纯数据驱动方法构成了重要优势;在真实医学应用中,这些特性与数值精度同样重要,因此足以支撑这种适度的精度权衡。