GlucoFM: Базовая модель для непрерывного мониторинга уровня глюкозы.
GlucoFM — это облегченная, самообучающаяся базовая модель для систем непрерывного мониторинга глюкозы, которая моделирует более медленные тенденции изменения уровня глюкозы и краткосрочные отклонения в отдельных потоках, создавая переносимые представления и устанавливая новые стандарты производительности в различных задачах прогнозирования метаболизма, включая оценку риска диабета, инсулинорезистентность, дисфункцию бета-клеток и постпрандиальный гликемический ответ.
Быстрые ссылки
- Бумага
- Делиться
Потребительские носимые устройства используют датчики движения и физиологические датчики для оценки активности и сна, но эти сигналы дают лишь косвенное представление о регуляции уровня глюкозы. Системы непрерывного мониторинга глюкозы (НМГ) дополняют эти измерения, отслеживая уровень интерстициальной глюкозы каждые несколько минут с помощью небольшого датчика, вживленного под кожу, и фиксируя показатели натощак, в течение ночи и после еды. Однако интерпретация этих данных остается сложной задачей, особенно когда высококачественные клинические метки, помогающие их интерпретировать, встречаются редко и их получение обходится дорого.
Многие существующие базовые модели CGM — включая CGMformer, GluFormer и CGM-JEPA — обрабатывают данные об уровне глюкозы через единый поток представления, а не явно разделяют медленную базовую динамику и кратковременные изменения. Но CGM — это не недифференцированный поток данных: он содержит относительно медленные базовые паттерны, прерываемые кратковременными отклонениями, которые могут отражать прием пищи, активность или артефакты датчика. Что если бы мы могли использовать ежедневные данные CGM для оценки таких показателей, как риск развития диабета, инсулинорезистентность и дисфункция бета-клеток, используя ограниченное количество размеченных данных?
Именно поэтому мы создали GlucoFM — самообучающуюся базовую модель с двухпотоковой архитектурой, которая разделяет более медленные гликемические тренды от краткосрочных отклонений, сохраняя при этом время суток и наличие пропущенных данных. Затем цели латентного прогнозирования изучают свой ежедневный контекст и временную динамику. Мы оценили GlucoFM в четырех различных когортах по семи задачам клинического прогнозирования — риск диабета, инсулинорезистентность, дисфункция бета-клеток, гиперлипидемия, гипогликемия, ожирение и глюкотип — включающим 14 оценок когорт и задач. В ходе этих оценок показатель PR-AUC GlucoFM был в среднем на 5,8 процентных пункта выше, чем у наиболее эффективного варианта GluFormer, оба предварительно обучены на одном и том же корпусе. По показателю PR-AUC GlucoFM лидировала во всех оценках риска диабета и дисфункции бета-клеток, а также в трех из четырех оценок инсулинорезистентности. Мы также оценили GlucoFM в контексте прогнозирования постпрандиальной гликемической реакции (ППГР). При одинаковых входных данных и протоколах оценки GlucoFM показал наименьшую среднюю абсолютную ошибку (САМ), усредненную по двум устройствам непрерывного мониторинга глюкозы (Dexcom и Libre). Кроме того, GlucoFM продемонстрировал наилучшие общие показатели переноса данных между наборами данных и показал сильную адаптацию при небольшом количестве выборок, даже когда данные из новой когорты или отмеченных субъектов крайне ограничены.
Обзор GlucoFM, облегченной двухпотоковой базовой модели для непрерывного мониторинга уровня глюкозы.
Обучение компании GlucoFM пониманию метаболизма.
Мы предварительно обучили GlucoFM на 109 066 часах немаркированных данных CGM из Wear-CGM[8e73d8] и четырех опубликованных наборах данных, в общей сложности 477 записей участников/сессий.
Записи непрерывного мониторинга глюкозы (НМГ) могут содержать пробелы, различные интервалы выборки и артефакты датчика. GlucoFM выравнивает каждую запись по 24-часовой пятиминутной сетке и сохраняет маску наблюдения, разделяя измеренные и ненаблюдаемые положения. Его двухпотоковый кодировщик отделяет низкочастотную составляющую состояния, представляющую более медленные гликемические тенденции, от остаточной составляющей события, фиксирующей краткосрочные отклонения, которые могут возникать из-за физиологических процессов, поведения или артефактов датчика.
Вместо восстановления точных исходных показаний уровня глюкозы, на которые могут влиять шумы измерений и артефакты датчика, GlucoFM использует предварительное обучение на основе скрытых прогнозов с помощью двух взаимодополняющих задач:
- Контекстное прогнозирование: мы маскируем (т.е. скрываем) части суточной последовательности показаний уровня глюкозы и просим модель предсказать их скрытые представления на основе окружающего контекста. Предсказывая в скрытом пространстве, модель улавливает более широкие суточные закономерности уровня глюкозы без необходимости перестраивать каждое показание датчика.
- Динамика во времени: Мы также обучаем модель прогнозировать, как будет меняться стабильный базовый уровень и краткосрочные отклонения у человека от часа к часу. Это позволяет ей улавливать непрерывный характер динамики уровня глюкозы, а не рассматривать показания как отдельные снимки во времени.
Наконец, аугментации, учитывающие данные непрерывного мониторинга глюкозы (НМГ), приводят к дрейфу базовой линии, падениям, подобным компрессии, более разреженной выборке и коротким разрывам связи, что делает модель уязвимой для вариаций и пропущенных данных, встречающихся в реальных записях НМГ.
Структура модели и цели предварительного обучения GlucoFM.
Что может сделать GlucoFM
Мы оценили GlucoFM в четырех когортах (CGMacros, Stanford, Hall и ShanghaiT2DM) и семи задачах клинического прогнозирования, а также провели отдельную оценку прогнозирования двухчасового постпрандиального гликемического ответа. В частности, мы задались вопросом, являются ли его замороженные представления информативными для отдельных 24-часовых окон от участников, которых мы не видели; предоставляют ли они полезный исторический контекст для прогнозирования траекторий постпрандиального уровня глюкозы; улучшает ли объединение нескольких дней прогнозирование на уровне субъекта; насколько хорошо представления переносятся на новые когорты; и насколько эффективно они адаптируются при ограниченном количестве размеченных данных.
Точность при выполнении метаболических задач
Сначала мы использовали линейное зондирование на уровне окна, не пересекающееся между субъектами. Мы заморозили кодировщик каждой модели, обучили линейный классификатор на индивидуальных 24-часовых представлениях и убедились, что ни один участник не присутствовал одновременно в обучающей и тестовой выборках. Это позволяет проверить, является ли представление за один день информативным для фенотипа участников, не участвовавших в исследовании, при сохранении изменчивости от дня к дню.
GlucoFM продемонстрировал самый высокий средний показатель PR-AUC среди оцененных методов. В ходе 14 когортных оценок задач он увеличил средний показатель PR-AUC с 54,7 для наиболее сильного базового уровня, специфичного для CGM и переобученного на тех же данных, до 58,8 — абсолютный прирост составил 4,1 балла, или приблизительно 7,5% по сравнению с этим базовым уровнем. GlucoFM достиг наивысшего показателя PR-AUC во всех оценках риска диабета и дисфункции бета-клеток, а также в трех из четырех оценок инсулинорезистентности.
Эффективность линейного зонда для метаболического фенотипирования.
Прогнозирование постпрандиальных гликемических реакций
Для проверки GlucoFM в задаче динамического прогнозирования мы использовали информацию, доступную перед каждым зарегистрированным приемом пищи, чтобы предсказать полную двухчасовую траекторию изменения уровня глюкозы относительно значения в начале приема пищи. Мы оценили 874 парных события приема пищи от 34 участников, используя перекрестную проверку без разделения по субъектам, при этом Dexcom и Libre (два устройства непрерывного мониторинга глюкозы) моделировались отдельно при одинаковом разделении выборки.
Мы последовательно объединяли каждое замороженное модельное представление с данными непрерывного мониторинга глюкозы (НМГ) за один час до приема пищи, информацией о питательной ценности пищи, включая энергетическую ценность, содержание углеводов, жиров, белков и пищевых волокон, а также информацией на уровне участника, такой как уровень глюкозы натощак, ИМТ и наличие диабета. При использовании полного контекста GlucoFM показала наименьшее среднее значение MAE среди оцененных моделей: 21,88 мг/дл, по сравнению с 22,90 мг/дл для лучшего базового уровня и 27,69 мг/дл для среднего базового уровня по данным обучающей выборки. Эти результаты показывают, что GlucoFM обеспечивает дополнительный исторический контекст для прогнозирования изменений уровня глюкозы после приема пищи.
Прогрессивный контекст улучшает прогнозирование постпрандиальной реакции уровня глюкозы в течение 2 часов после приема пищи. Начиная с каждого зафиксированного представления модели, входные данные суммируются: данные непрерывного мониторинга глюкозы за 1 час до еды, питательная ценность пищи, уровень глюкозы натощак, ИМТ и статус диабета. Среднее значение MAE (мг/дл; чем ниже, тем лучше) усредняется по парным оценкам Dexcom и Libre.
Взгляд за пределы одного дня
Одной 24-часовой записи может быть недостаточно для полного отражения изменений уровня глюкозы у человека, поэтому мы проверили, улучшает ли объединение данных за несколько дней прогнозирование на уровне отдельного субъекта. GlucoFM кодировал данные за каждый день отдельно и усреднял представления за период до семи дней, при этом каждый участник вносил равный вклад.
Как показано на диаграмме ниже, добавление дней улучшило показатель PR-AUC в большинстве случаев и для большинства наборов данных, включая прирост в 9,6 баллов для дисфункции бета-клеток по Стэнфордскому исследованию и 14,0 баллов для прогнозирования диабета по Холлу. CGMacros также показал преимущественно положительный прирост на основе данных Dexcom, Libre и объединенных данных датчиков. Инсулинорезистентность по Шанхайскому исследованию диабета 2 типа стала основным исключением при простом усреднении, что указывает на то, что оптимальная стратегия агрегирования может варьироваться в зависимости от задачи. В целом, замороженные ежедневные представления GlucoFM можно комбинировать для повышения точности прогнозирования на уровне субъекта без переобучения кодировщика.
Эффект наблюдения за непрерывным мониторингом уровня глюкозы в течение 𝐾 дней. Положительные значения указывают на улучшение по сравнению с 𝐾 = 1.
Преодоление когортного разрыва
Далее мы хотели выяснить, могут ли физиологические закономерности, которые изучает наша модель, быть обобщенными. Если мы обучим последующий классификатор для выявления риска диабета, используя данные из одной клинической когорты, будет ли он по-прежнему работать на пациентах из совершенно другого исследования? Гистограмма переноса данных между наборами данных наглядно демонстрирует, как GlucoFM справляется с этой задачей, в частности, показывая его прямое улучшение по сравнению со второй лучшей моделью для оценки риска диабета и инсулинорезистентности.
На диаграмме ниже положительные значения столбцов указывают на то, что GlucoFM превзошел наиболее сильный конкурирующий метод: он лидировал в 11 из 12 оценок с отрывом в 0,5–8,6 баллов PR-AUC и один раз отставал на 0,6 балла. Его абсолютный показатель PR-AUC варьировался от 61,6% для обеих задач Stanford-to-Hall до 90,0% для задачи Hall-to-CGMacros по инсулинорезистентности, что показывает, что сосредоточение внимания на лежащей в основе физиологии помогает застывшим представлениям игнорировать специфический для когорты шум и находить универсальные метаболические паттерны.
Эффективность переноса данных между наборами данных. ΔPR-AUC между GlucoFM и наиболее сильным базовым уровнем.
Обучение с меньшим объемом данных
Получение размеченных клинических данных обходится дорого, поэтому мы также протестировали GlucoFM в двух режимах с малым количеством выборок: на левом графике варьируется количество размеченных участников в каждом классе, а на правом — доля доступных наблюдений от каждого участника. Смещение вправо добавляет размеченные данные, а более высокие точки указывают на лучшие усредненные по задаче значения PR-AUC.
Оранжевые маркеры GlucoFM показывают самые высокие значения при любом оцененном объеме данных, включая самые ограниченные настройки — один маркер на класс и 1% наблюдений. Преимущество особенно очевидно, когда размеченных объектов мало, что показывает высокую эффективность модели в обнаружении правильных сигналов даже при небольшом количестве примеров.
Адаптация при ограниченном количестве экспериментов в условиях ограниченного числа испытуемых с разметкой и ограниченного числа наблюдений за каждым испытуемым.
Моделирование динамики глюкозы в двух временных масштабах.
Мы также внимательно изучили, действительно ли разделение сигнала на два потока имеет значение. Мы сравнили полную двухпотоковую схему с более простыми альтернативами: одна обрабатывает необработанные данные об уровне глюкозы напрямую, другая предназначена для акцентирования внимания на более медленных тенденциях, а третья — на более быстрых, краткосрочных отклонениях.
Как показал анализ конструкции нашего кодировщика, версия, учитывающая только события, оказалась самой слабой, доказывая, что одних лишь переходных колебаний недостаточно для стабильной метаболической картины. Хотя версии с необработанными входными данными и версии, учитывающие только состояние, были конкурентоспособными, полная двухпотоковая модель неизменно оказывалась лучшей. Эти результаты подтверждают необходимость организации более медленной и более быстрой динамики глюкозы как взаимодополняющих потоков перед их объединением, а не полагаться только на один из потоков.
Сравнение характеристик двухпотоковых и однопотоковых конструкций.
Заключение
Наши результаты показывают, что модели непрерывного мониторинга глюкозы (НМГ) могут выиграть от явного учета многомасштабной структуры динамики глюкозы, включая более медленные тренды, краткосрочные отклонения, суточные колебания и отсутствие данных с датчика. Благодаря обучению многократно используемым шаблонам на основе неразмеченных данных НМГ, GlucoFM создала представления, которые показали высокие результаты в оцененных условиях прогнозирования, переноса и малочисленного обучения, предлагая способ более эффективного использования ограниченного объема размеченных клинических данных.
Метаболические реакции различаются у разных людей, в разных группах и на разных сенсорных устройствах, в то время как наша текущая выборка для предварительного обучения остается небольшой. Наши следующие шаги — обучение на более крупных и разнообразных выборках и расширение возможностей GlucoFM за пределы независимо обработанных 24-часовых окон в сторону нативного многодневного моделирования для выявления тенденций, разворачивающихся в течение недель или месяцев, а также изучение того, как эти представления обрабатывают изменения в реальном времени. О метаболическом здоровье еще многое предстоит узнать, и мы с нетерпением ждем, куда нас приведут эти инструменты в будущем.
Благодарности
В этой работе приняли участие следующие исследователи: Зечен Ли, Киртана Натараджан, Вэйчжи Чжан, Саймон А. Ли, Ювэй Чжан, Максвелл А. Сюй, Мэнлянь Чжоу, Зейнаб Эсмаилпур, Флора Д. Салим (из Университета Нового Южного Уэльса), Марк Малхотра, Линдси Санден, Шветак Патель, Юже Ян и Ахмед А. Метвалли.
Мы выражаем благодарность Бобаку Дж. Мортазави и Рикардо Гутьерресу-Осуне (Техасский университет A&M) за предоставление набора данных CGMacros, использованного в этом исследовании.
Источник: research.google
Оцените материал:
