BiT-MAML采用元学习来解决患者间的差异性，并通过混合架构捕捉血糖水平的短期和长期模式。提出的评估方案展示了在考虑患者间差异的情况下预测血糖水平的新方法。来源：韩国全北国立大学赵在赫教授
1型糖尿病是一种自身免疫性疾病，患者自身的免疫系统会攻击产生胰岛素的细胞。因此，1型糖尿病患者必须密切监测血糖水平，并依赖胰岛素注射或泵。即使是微小的计算错误或疏忽也可能导致血糖失控，进而引发危及生命的并发症。
人工智能助力监测
连续血糖监测系统已成为预测和预报血糖水平的一种有前景的工具。过去十年中，研究人员探索了人工智能模型，以提高连续血糖监测系统的预测准确性。然而，患者之间的生理差异以及对新用户的适应性差，仍然阻碍着该技术在现实世界中的广泛应用。此外，传统模型通常只关注短期或长期血糖模式，而非两者兼顾。
为了解决这些问题，由韩国全北国立大学软件工程系的赵在赫教授领导的研究团队开发了一种名为BiT-MAML的创新模型，旨在解决血糖预测中的患者间差异性。赵教授进一步解释说：“血糖动态在所有患者中并不统一。老年患者的生理模式与年轻成年人截然不同。”他补充道：“我们的模型展示了如何通过开发更加个性化的模型来考虑这种变异性。”他们的研究成果发表在《科学报告》上。
混合架构的工作原理
BiT-MAML（其中“BiT”代表双向LSTM-Transformer，“MAML”代表模型无关元学习）采用混合架构，结合了两种深度学习模型：双向长短期记忆网络和Transformer。双向LSTM双向处理时间序列血糖数据，精准捕捉短期模式。同时，Transformer利用多头注意力机制，有效建模长期模式，捕捉复杂的日间和基于生活方式的周期性变化。在训练过程中，研究人员应用了一种称为模型无关元学习的元学习方法，通过学习广泛的患者示例，帮助模型仅使用少量训练数据即可快速适应新的、不同的患者。
对未见患者的测试
为了测试模型性能，研究人员采用了留一患者交叉验证方案。赵教授解释说：“简单来说，我们将AI在五名患者身上训练，然后在第六名从未见过的患者身上测试。这对于评估模型对未见患者的泛化能力非常有效。”该模型相比传统模型显著降低了预测误差。值得注意的是，预测误差范围从一名患者的优秀值19.64毫克/分升到另一名患者的挑战性值30.57毫克/分升。虽然这些结果相比标准LSTM模型有明显改善，但也凸显了在现实环境中管理患者间差异的持续困难。
对个性化糖尿病护理的意义
赵教授总结道：“我们的研究展示了如何评估基于AI的血糖预测模型，以提高信任度和模型性能。解决这一挑战将有助于开发有效的连续血糖监测模型，为从儿童到老年人的不同1型糖尿病患者服务。”这些发现证明了开发有效的个性化血糖预测需要使用先进的AI模型，结合能够透明报告完整性能谱的稳健评估方法。
发布详情：Kihoon Moon等，《利用元学习与双向长短期记忆-Transformer混合模型进行1型糖尿病个性化血糖预测》，《科学报告》(2025)。DOI: 10.1038/s41598-025-13491-5
期刊信息：《科学报告》
关键医学概念：1型糖尿病、连续血糖监测
临床分类：内分泌学、常见疾病与预防
提供方：全北国立大学
【全文结束】