本研究使用深度强化学习技术，比较了不同的控制算法。模拟糖尿病患者的数据分析表明，该技术可大幅降低糖尿病患者在控制血糖水平方面面临的风险，而无需专业知识的参与。

Sep, 2020

本文评估了离线强化学习方法，用于开发临床有效的药量策略，通过对 UVA/Padova 血糖动力学模拟器内的九个虚拟患者的血糖控制进行了研究，发现离线强化学习可以显著提高健康血糖范围内的时间，而不增加低血糖事件。

Apr, 2022

使用离线强化学习代理人和个性化流程提高闭环系统的性能，消除对模拟器的依赖，实现糖尿病的血糖控制。

Oct, 2023

通过深度强化学习和多步算法，本研究在血糖控制方面验证了多步强化学习的有效性，可能有助于探索最佳血糖控制措施，提高糖尿病患者的生存率。

Mar, 2024

该论文提出了一种新颖的多智能体强化学习方法，用于个体化的 1 型糖尿病 (T1D) 血糖控制。此方法利用一个闭环系统，包括血糖代谢模型和充当基础 - 推进剂建议者的多智能体软演员 - 评论家强化学习模型。性能评估在三种情景下进行，将强化学习代理与传统治疗进行比较。评估指标包括血糖水平 (最低、最高和平均值)、在不同血糖范围内的时间，以及平均每天推进剂和基础胰岛素剂量。结果表明，基于强化学习的基础 - 推进剂显著改善了血糖控制，减少了血糖波动性，并增加了在目标范围内 (70-180 mg/dL) 的时间。低血糖事件得到有效预防，严重高血糖事件减少。与传统治疗相比，强化学习方法还导致平均每天基础胰岛素剂量的显著降低。这些发现突出了多智能体强化学习方法在实现更好的血糖控制和减轻 T1D 个体严重高血糖风险方面的有效性。

Jul, 2023

通过使用自我关注编码器网络的强化学习代理，本研究展示了如何有效地模拟和改善人们在计算进餐后胰岛素剂量方面的直觉过程，以实现更简化治疗的潜力，并为 T1D 患者提供改善生活质量和糖尿病结果的希望。

Jun, 2024

通过强化学习方法，利用基于定性餐食策略的推荐机制，针对 Ⅰ 型糖尿病患者在餐食时间内计算最佳胰岛素剂量的难题，本研究证明 RL 方法可以替代标准的精确胰岛素计算方法，在减少血糖波动、提高血糖稳定和生活质量方面表现出色。

Sep, 2023

通过使用一种新的网络模型，即条件可逆神经网络，我们可以对特定条件下的自然图像生成进行有效的前处理，以便于训练出不会出现模式崩溃并生成多样化图像的模型。同时，我们利用双向 cINN 架构探索和操作潜在空间的新特性，例如通过直观方式改变图像风格。

Jul, 2019

使用图注意力内存模型和联邦学习方法进行血糖水平预测，在类型 1 糖尿病患者中取得了稳定而有效的结果。

Dec, 2023

GlyCoach 是一个为血糖控制生成反事实解释的框架，通过对健康数据进行对抗学习来生成行动干预措施，根据用户偏好的先前知识。通过使用两个真实世界数据集和外部模拟器进行广泛评估，GlyCoach 在模拟辅助验证中实现了 87％的敏感性，在生成反事实解释方面超过了现有技术至少 10％，且具有 32％改进的归一化距离。

Oct, 2023