Google Research 發布連續血糖監測基礎模型 GlucoFM，採雙流設計，PR-AUC 較 GluFormer 提升 5.8 個百分點

Google Research 發布輕量級、自監督的連續血糖監測（CGM）基礎模型 GlucoFM。有別於現有模型採用單一表示流，GlucoFM 採用雙流編碼器設計，將較慢的血糖趨勢與短期偏差（如進食、活動或感測器偽影）分離處理。 模型使用 Wear-CGM 資料集中 109,066 小時的無標註 CGM 資料進行預訓練，將記錄對齊至 24 小時、5 分鐘間隔的網格，並保留觀測遮罩以區分測量與未觀測位置。預訓練採用潛在預測目標，包含上下文預測（從周圍上下文預測被遮蔽序列的潛在表示）與時間動態（預測基線與短期偏差在每小時的變化），並引入基線漂移、稀疏採樣與短暫斷線等 CGM 感知資料增強。 在 CGMacros、Stanford、Hall 和 ShanghaiT2DM 四個隊列中，GlucoFM 針對糖尿病風險、胰島素阻抗、β 細胞功能障礙等七項臨床預測任務進行了 14 項評估。在與 GluFormer 於相同語料庫預訓練的比較中，GlucoFM 的 PR-AUC 平均高出 5.8 個百分點，並在所有糖尿病風險與 β 細胞功能障礙評估中領先。在主體不重疊的視窗級線性探測中，平均 PR-AUC 從最強基線的 54.7 提升至 58.8。 此外，在兩小時餐後血糖反應（PPGR）預測中，GlucoFM 在 Dexcom 和 Libre 兩款設備上均取得最低的平均絕對誤差（MAE），並展現最佳的跨資料集遷移與少樣本適應能力。