クローズドループ1型糖尿病制御のための解釈可能な言語モデル
LLM-T1Dという新しいアプローチは、強化学習と大規模言語モデルを組み合わせて、1型糖尿病のための解釈可能なインスリンポンプコントローラを作成し、目標血糖範囲内の時間73.5%を達成し、明確な説明を提供します。
1型糖尿病（T1D）は、インスリン産生膵臓β細胞が完全に破壊される慢性かつ生命を脅かす自己免疫疾患であり、患者は生涯にわたって外因性インスリンに依存します。従来の人工膵臓システム（APS）は強化学習（RL）アルゴリズムを用いてインスリン投与を自動化しますが、その「ブラックボックス」的な意思決定プロセスにより、患者や医師が完全に信頼することが難しく、臨床導入の障壁となっています。2026年のIEEE自動化科学工学会議（IEEE CASE 2026）で発表された論文は、LLM-T1Dという新しい手法を提案しています。これはRLの正確な制御能力と大規模言語モデル（LLM）の人間のような推論と解釈可能性を組み合わせ、より透明で信頼性の高いインスリンポンプコントローラを実現するものです。
研究チームはまず、専門的なT1Dシミュレーション環境で高精度のRLシステムを教師として訓練しました。その後、知識蒸留技術を用いて、RLシステムの意思決定知識をファインチューニング済みのLLaMA 3.1 8BおよびQwen3 8B大規模言語モデルに転移しました。これらのLLMはRLの最適化戦略を学習するだけでなく、各意思決定の背後にある医学的原理や計算根拠を自然言語で説明できるようになりました。FDA承認のUVA/Padova T1D代謝シミュレーターでテストした結果、LLMコントローラは目標血糖範囲内時間73.5%を達成し、元のRLシステムの性能を上回りました。さらに、コントローラは、例えば特定の時点で基礎レートを調整したり追加注入を行う理由をわかりやすく出力することができます。
安全性を確保するために、研究チームはLLMが生成する可能性のある「幻覚」（根拠のない危険なインスリン投与提案）を検出・防止するための厳格な形式検証フレームワークを設計しました。このフレームワークはLLMの出力空間を制約し、リアルタイムで論理チェックを行うことで、すべての提案が臨床安全性基準に適合することを保証します。この成果は、クリティカルな医療タスクにおけるLLMの応用可能性を示すとともに、将来的な解釈可能で信頼できる医療AIシステムの基盤を提供し、T1D患者の生活の質と治療アドヒアランスの向上に貢献することが期待されます。