用於閉環1型糖尿病控制的可解釋語言模型

1型糖尿病（T1D）是一種慢性、危及生命的自身免疫性疾病，患者體內產生胰島素的胰臟β細胞被完全破壞，導致終身依賴外源性胰島素。傳統的人工胰臟系統（APS）依賴於強化學習（RL）演算法來自動化胰島素輸送，但其“黑箱”決策過程使得患者和醫生難以完全信任，限制了其臨床採用。近日，一篇發表於2026年IEEE自動化科學與工程國際會議（IEEE CASE 2026）的論文提出了LLM-T1D，一種創新的方法，將RL的精確控制能力與大語言模型（LLM）的類人推理和可解釋性相結合，旨在建立更透明、更可靠的胰島素泵控制器。

研究團隊首先在一個專業級T1D模擬環境中訓練了一個高精度的RL系統，作為專家教師。然後，他們透過知識蒸餾技術，將RL系統的決策知識轉移到了經過微調的LLaMA 3.1 8B和Qwen3 8B大語言模型中。這些LLM不僅學習了RL的最佳化策略，還學會了用自然語言解釋其每一步決策背後的醫學原理和計算依據。在FDA批准的UVA/Padova T1D代謝模擬器上進行測試時，LLM控制器實現了73.5%的血糖時間處於目標範圍內（Time in Range），這一指標超過了原始RL系統的效能。更重要的是，控制器能夠輸出易懂的推理過程，例如解釋為何在某個時間點調整基礎率或給予追加劑量。

為了確保安全性，研究團隊設計了一套嚴格的正式驗證框架，專門用於檢測和防止LLM可能產生的“幻覺”——即生成不合理或不安全的胰島素劑量建議。該框架透過約束LLM的輸出空間和即時邏輯檢查，保證了控制器的所有建議都符合臨床安全規範。這一成果不僅展示了LLM在醫療關鍵任務中的應用潛力，也為未來開發可解釋、可信賴的醫療AI系統奠定了基礎，有望顯著改善T1D患者的生活質量和治療依從性。