К содержимому
Другое

DiabAI 30-Minute Glucose LSTM

прогноз уровня глюкозы на 30 минут вперёд

2 мин чтенияобновлено

Компактная образовательная нейросеть на базе PyTorch, которая предсказывает уровень глюкозы в крови через 30 минут по данным непрерывного мониторинга (CGM). На вход модель принимает 96 последовательных замеров за последние 24 часа (с шагом в 15 минут), текущее время суток и тип диабета (T1DM или T2DM), а на выходе выдаёт прогнозируемое изменение показателя в мг/дл. В основе лежит однослойная рекуррентная сеть LSTM (архитектура для работы с временными рядами) всего на 19 617 обучаемых параметров. Модель обучена на открытых датасетах ShanghaiT1DM и ShanghaiT2DM и пригодится исследователям, студентам и разработчикам неклинических прототипов для экспериментов с медицинскими временными рядами.

Ключевые особенности

  • Прогноз дельты: сеть предсказывает не само финальное значение, а изменение уровня глюкозы за полчаса, которое затем прибавляется к текущему замеру.
  • Учёт циркадных ритмов: помимо двух каналов ряда (нормализованной глюкозы и первой разности), на вход подаются синус и косинус часа суток, а также индикатор диабета 1-го типа.
  • Опережение классических бейзлайнов: на отложенной тестовой выборке LSTM показала среднюю абсолютную ошибку (MAE) 8.7502 мг/дл, обойдя линейную регрессию (9.2644) и случайный лес (8.8821).
  • Сверхлёгкий вес: модель содержит менее 20 тысяч параметров и запускается на обычном CPU без видеокарты.

Что можно сделать

  • Ретроспективный анализ данных: протестировать поведение алгоритмов прогнозирования на исторических записях с датчиков CGM.
  • Учебные стенды по ML: использовать репозиторий как воспроизводимый эталон для сравнения рекуррентных сетей, CNN и трансформеров на временных рядах.
  • Неклинические прототипы: встроить инференс-скрипт в исследовательские дашборды визуализации динамики показателей (строго с проверкой человеком и без медицинских рекомендаций).

Пример

import json
from inference import load_model, predict_future_glucose

model, normalization = load_model("model.pt")
document = json.load(open("example_input.json", encoding="utf-8"))
result = predict_future_glucose(model, normalization, document)
print(result)
ПодробнееМетрики на тесте (16 992 примера, 17 пациентов): MAE = 8.7502 мг/дл, RMSE = 12.6120 мг/дл, R² = 0.9335 (снижение MAE на 23.25% относительно наивного прогноза).
Точность по диапазонам: лучше всего модель работает в пределах 70–180 мг/дл (MAE 7.9208), хуже — при значениях выше 180 мг/дл (MAE 13.0000).
Железо: обучалась и запускается на CPU (PyTorch 2.15.0, Python 3.11.9), требует полный 24-часовой ряд из 96 точек без пропусков.
Ограничения: не является медицинским изделием; запрещено использовать для диагностики, лечения и расчёта доз инсулина; не учитывает приёмы пищи, физическую нагрузку и уколы инсулина; лицензия CC BY 4.0.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # noracodes/diabai-glucose-forecasting-lstm
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download noracodes/diabai-glucose-forecasting-lstm --local-dir ~/models/diabai-glucose-forecasting-lstm
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к diabai-glucose-forecasting-lstm
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии diabai-glucose-forecasting-lstm — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

noracodes/diabai-glucose-forecasting-lstm
Автор
noracodes
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

CatalystCompass

CatalystCompass
Другое

PawCT и PagCT

PawCT и PagCT
Другое

GyroFlow

GyroFlow