PINN与经典数值方法在糖尿病血糖建模中的对比研究

本文来源：Jana-Hazem（GitHub项目：Diabetes-glucose-tolerance，链接：https://github.com/Jana-Hazem/Diabetes-glucose-tolerance，发布时间：2026年6月10日）

核心研究：结合数学建模、经典数值方法与物理信息神经网络（PINN），通过口服葡萄糖耐量试验（OGTT）模拟健康与糖尿病患者的血糖-胰岛素调节机制，对比Runge-Kutta方法（RK4、自适应RK45）与PINN在精度、速度及泛化能力上的表现。

血糖调节生理过程

口服葡萄糖耐量试验（OGTT）中，健康人体血糖上升后胰腺分泌胰岛素，数小时内恢复正常；糖尿病患者调节环路故障。

建模的重要性

自1980年代起，OGTT是糖尿病诊断标准。通过数学建模可量化胰腺功能、区分糖尿病类型、设计个性化胰岛素方案。

核心模型：Randall双ODE系统

采用双耦合非线性常微分方程组捕捉生理过程：

• 血糖动态方程：考虑葡萄糖输入、胰岛素作用、肾脏清除等
• 胰岛素动态方程：胰腺响应血糖的分泌机制 关键参数B_b（胰腺敏感度）：值低对应I型糖尿病，值高可能导致低血糖。

项目实现三种求解方法对比：

1. 经典Runge-Kutta 4阶（RK4）

固定步长、四阶精度，实现简单、计算成本低，从零实现无外部库依赖。

2. 自适应RK45

动态调整步长（解变化剧烈区域用小步长，平缓区域用大步长），保持精度同时减少积分步数。

3. 物理信息神经网络（PINN）

将物理定律嵌入神经网络训练，损失函数为数据保真度损失+物理残差损失（惩罚预测错误及违反ODE约束），提升泛化能力。

实验场景

1. 正常胰腺功能（基准健康状态）
2. 正常胰腺+葡萄糖输注（模拟外部干预）
3. 敏感度降低（模拟I型糖尿病）
4. 敏感度升高（模拟低血糖症）

评估指标

• 精度：与细步长RK4参考解的RMSE、MAE
• 速度：CPU wall-clock时间
• 泛化能力：PINN对未见过初始条件的稳定性

经典数值方法表现

• RK4：可预测成本下高精度，误差随步长减小单调下降，稳定性好
• 自适应RK45：相近精度下显著减少积分步数，效率更高

PINN优势

成功学习血糖-胰岛素动态并满足ODE约束，物理信息训练提升泛化能力，适合稀疏临床数据场景

方法对比表

维度	经典求解器	PINN
计算速度	更快	较慢（需训练）
灵活性	固定ODE形式	可扩展至复杂约束
泛化能力	单次求解	学习后可快速推断
可解释性	高（明确算法）	中等（黑箱但物理约束）

技术栈

• R语言：复现原始Schiesser第2章结果（deSolve包）
• Python：从零实现RK4、自适应求解器（scipy.integrate）及基准测试
• PyTorch：构建PINN架构，自动微分计算物理残差
• LaTeX/Overleaf：IEEE会议报告模板
• GitHub Pages：在线文档

项目结构

• /ode_model/：Randall双ODE模型定义 + R复现
• /numerical_methods/：RK4从零实现 + 自适应方案
• /ml_dl/：PINN架构、损失函数、训练与评估
• /results/：CSV输出、基准表、可视化图表

临床价值

极简双ODE模型可捕捉核心生理学，经典求解器与PINN各有精度-速度权衡，为糖尿病管理提供参考。

应用场景

• 经典求解器：适合实时临床监测（高速即时反馈）
• PINN：可扩展至复杂约束（个体化参数、多尺度效应）

未来方向

随着可穿戴设备与连续血糖监测技术普及，此类计算方法对比将助力下一代糖尿病管理工具开发。