基于多模态注意力机制与决策变换器的个性化可解释血糖预测模型GlucoNet-MM研究

来自多机构的研究人员为提升糖尿病管理的精准性，开发了融合多任务学习与决策变换器的多模态深度学习框架GlucoNet-MM。该模型整合CGM、胰岛素剂量、碳水化合物摄入及运动数据，在BrisT1D和OhioT1DM数据集上取得R2达0.94-0.96、MAE低至0.027-0.031的优异性能，为个性化血糖干预提供可解释的决策支持。

准确且个性化的血糖预测对糖尿病主动管理至关重要。针对个体差异性、血糖非线性动力学及多模态数据稀疏性等挑战，本研究提出GlucoNet-MM——一种融合注意力机制多任务学习（MTL）与决策变换器（Decision Transformer, DT）的创新多模态深度学习框架。该模型整合连续血糖监测（CGM）、胰岛素剂量、碳水化合物摄入和体力活动等异构生理行为数据，通过多任务学习共享表征捕捉跨时间尺度的复杂依赖关系，并借助决策变换器将未来血糖预测与目标血糖结果相关联。研究采用时序注意力可视化、积分梯度归因方法提供模型可解释性，并利用蒙特卡洛 dropout（Monte Carlo dropout）进行不确定性量化。在BrisT1D和OhioT1DM两个公开数据集上的实验表明，GlucoNet-MM的R²分别达到0.94和0.96，平均绝对误差（MAE）低至0.031和0.027，其性能显著优于单模态及传统非自适应基线模型。该框架通过多模态设计、策略感知预测和可解释性特征，为糖尿病个体化临床决策提供了兼具高精度与可信度的智能支持方案。作者声明无利益冲突。