基于多模态交叉注意力机制融合的1型糖尿病血糖浓度预测方法

摘要

目的 通过融合扫描式葡萄糖监测(flash glucose monitoring, FGM)数据与结构化电子健康记录(electronic health records, EHR)中的多模态信息，构建1型糖尿病(type 1 diabetes mellitus, T1DM)患者血糖浓度预测模型，以解决传统单一模态模型在捕捉复杂血糖波动规律时的局限性，为临床制定个性化控糖策略及早期风险预警提供数据支持。方法 基于T1DiabetesGranada数据集，整合FGM数据、生化检测指标、人口统计学信息及诊断编码等模态特征，构建多模态时序预测模型XCLA-Net。该模型采用一维卷积神经网络提取血糖序列的局部动态特征，结合长短时记忆网络建模长期时间依赖关系，通过交叉注意力机制实现多模态语义对齐，并引入自归一化神经网络增强融合特征的稳定性。结果 XCLA-Net在RMSE、MAE、MAPE等评估指标上显著优于多种对比模型。在未来1 h和3 h预测任务中，MAPE分别为19.64%和37.81%,表明模型在不同时间尺度下具备较强的预测准确性；克拉克误差网格分析表明，模型预测结果高度集中于A区，具备良好的临床一致性。消融实验验证了交叉注意力机制、一维卷积神经网络与长短时记忆网络对提升模型预测性能的关键作用。结论 本研究提出的XCLA-Net通过多模态数据融合与时序建模，显著提升了血糖预测的精度与稳定性，具备良好的临床解释性和实用价值，为T1DM患者的个性化血糖管理及早期风险预警提供有效支持。

关键词

1型糖尿病 / 多模态数据融合 / 交叉注意力机制 / 血糖预测 / 时序建模