予測インスリン投与のためのエネルギー効率の高いスパイキングニューラルネットワーク・アーキテクチャ

概要: 糖尿病（diabetes mellitus）は、世界中で5億3,700万人超の成人に影響を及ぼしています。インスリン依存患者は、ウェアラブルデバイス上で厳しい電力予算の制約下に動作しながら、連続的な血糖モニタリングと正確な用量計算を必要とします。本論文では、PDDS（PDDS - 予測インスリン用量計算のためのイベント駆動型計算パイプラインを、インシリコでソフトウェア一式として完成させた研究用プロトタイプ）を提示します。超低電力のウェアラブルエッジデバイス向けのニューロモルフィック・コンピューティングの原理に動機づけられた本研究の中核的貢献は、OhioT1DM（実患者66.5%）の128,025ウィンドウと、FDAが承認したUVa/Padova生理学シミュレータ（33.5%）のデータから学習された、3層のリーキー積分発火（Leaky Integrate-and-Fire: LIF）スパイキングニューラルネットワーク（Spiking Neural Network）です。これにより、検証精度85.90%を達成しました。本論文では、次の3つの厳密に誠実な評価を提示します：（1）ADA閾値規則、双方向LSTM（99.06%精度）、およびMLP（99.00%）に対する標準的なテストセット比較において、SNNは85.24%を達成します。ここで示すギャップは、アーキテクチャの失敗ではなく確率的エンコーディングのトレードオフを反映していることを示します；（2）臨床家が注釈付けした、非自明な426件の低血糖ウィンドウに関する時間的ベンチマークでは、SNN（再現率9.2%）もADA規則（再現率16.7%）も十分に機能せず、システムの主要な限界と、今後の研究の主方向を特定します；（3）電力効率の分析では、SNNはLSTMに比べて推論あたり必要エネルギーが79,267分の1であることが示されます（1,551フェムトジュール vs. 122.9ナノジュール）。これにより、連続的なウェアラブル展開のためのSNNアーキテクチャが正当化されます。本システムはまだ物理ハードウェアに接続されていません。これは、臨床検証に向けた5段階ロードマップのうち、計算面の中間層として位置づけられるものです。キーワード: スパイキングニューラルネットワーク、血糖重症度分類、エッジコンピューティング、低血糖検出、イベント駆動型アーキテクチャ、LIFニューロン、ポアソンエンコーディング、OhioT1DM、インシリコ、ニューロモルフィック、電力効率。