arXiv cs.AI· Pir Bakhsh Khokhar, Carmine Gravino, Fabio Palomba·· 13 小时前AI 评分29
基于锚点的序列、多模态与状态更新数字孪生模型对比框架：可靠性感知的短期血糖风险预测
Reliability-Aware Short-Term Glycemic Risk Prediction Using an Anchor-Based Comparative Framework of Sequence, Multimodal, and State-Updating Digital-Twin Models
AI 导读
研究提出基于锚点的基准测试框架，用 T1DiabetesGranada 数据集的 736 名 1 型糖尿病患者构建 5,503,441 个标准化预测锚点，在 30、60、120 分钟三个预测窗口比较 Hybrid LSTM-Transformer、Multimodal Digital Twin 和 State-Updating Digital Twin 三种架构。
正文 · AI 翻译
摘要：预判短期低血糖和高血糖风险对于主动的糖尿病管理至关重要。然而，现有的机器学习方法往往采用不一致的评估协议，并且更强调预测性能而非可靠性。本研究引入了一个基于锚点的基准测试框架，整合纵向血糖序列和多模态患者信息。使用 T1DiabetesGranada 数据集，从 736 名 1 型糖尿病患者中构建了 5,503,441 个标准化预测锚点，以评估 30、60 和 120 分钟时间范围内的低血糖和高血糖预测。在相同的患者级验证协议下，比较了三种神经架构：混合 LSTM-Transformer、多模态数字孪生，以及具有间隙感知纵向状态进展的状态更新数字孪生。除预测性能外，评估还考察了校准、分类阈值、解释可靠性、跨模型分歧以及对受控扰动的鲁棒性。经 Holm 校正后，未观察到统计学上显著的预测差异，尽管这些模型表现出互补的可靠性特征。多模态数字孪生取得了最低的平均 Brier 分数，而状态更新数字孪生表现出最低的平均期望校准误差（ECE-10）。混合 LSTM-Transformer 在其时间归因协议下表现出较强的解释忠实度和稳定性。这些发现凸显了在预测准确性之外评估数字孪生模型的重要性，并强调了在临床部署前进行可靠性评估和外部验证的必要性。
| 评论： | 36 页，包括图、表和参考文献。关于使用序列模型和多模态数字孪生的可靠性感知血糖风险预测的研究文章 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| ACM 分类： | I.2.6; I.5.1; I.5.2; J.3 |
| 引用为： | arXiv:2610.36363 [cs.LG] |
| （或 arXiv:2610.36363v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.36363 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Pir Bakhsh Khokhar [查看电子邮件]
[v1]
2026 年 10 月 26 日星期一 22:28:12 UTC（3,103 KB）
来源：arXiv cs.AI · arxiv.org