用于闭环1型糖尿病控制的可解释语言模型

1型糖尿病（T1D）是一种慢性、危及生命的自身免疫性疾病，患者体内产生胰岛素的胰腺β细胞被完全破坏，导致终身依赖外源性胰岛素。传统的人工胰腺系统（APS）依赖于强化学习（RL）算法来自动化胰岛素输送，但其“黑箱”决策过程使得患者和医生难以完全信任，限制了其临床采用。近日，一篇发表于2026年IEEE自动化科学与工程国际会议（IEEE CASE 2026）的论文提出了LLM-T1D，一种创新的方法，将RL的精确控制能力与大语言模型（LLM）的类人推理和可解释性相结合，旨在创建更透明、更可靠的胰岛素泵控制器。

研究团队首先在一个专业级T1D模拟环境中训练了一个高精度的RL系统，作为专家教师。然后，他们通过知识蒸馏技术，将RL系统的决策知识转移到了经过微调的LLaMA 3.1 8B和Qwen3 8B大语言模型中。这些LLM不仅学习了RL的优化策略，还学会了用自然语言解释其每一步决策背后的医学原理和计算依据。在FDA批准的UVA/Padova T1D代谢模拟器上进行测试时，LLM控制器实现了73.5%的血糖时间处于目标范围内（Time in Range），这一指标超过了原始RL系统的性能。更重要的是，控制器能够输出易懂的推理过程，例如解释为何在某个时间点调整基础率或给予追加剂量。

为了确保安全性，研究团队设计了一套严格的正式验证框架，专门用于检测和防止LLM可能产生的“幻觉”——即生成不合理或不安全的胰岛素剂量建议。该框架通过约束LLM的输出空间和实时逻辑检查，保证了控制器的所有建议都符合临床安全规范。这一成果不仅展示了LLM在医疗关键任务中的应用潜力，也为未来开发可解释、可信赖的医疗AI系统奠定了基础，有望显著改善T1D患者的生活质量和治疗依从性。