Google Research、連続血糖値モニタリング向け基盤モデル「GlucoFM」を発表

Google Research と UNSW Sydney は、連続血糖値モニタリング（CGM）のための自己教師あり基盤モデル「GlucoFM」を公開しました。その核心となるのは、既存の CGM モデルがグルコースの推移データを一つの絡み合ったシーケンスとしてエンコードするのに対し、GlucoFM はそれを「ゆっくり変化する生理学的な状態」を表すストリームと、「一時的な事象」を表すストリームの 2 つに分解するという点です。このモデルは観測マスクをそのまま維持したまま、JEPA スタイルの潜在空間における 2 つの目的関数を用いて事前学習を行います。

その結果、14 のコホート・タスク評価において平均 PR-AUC 58.8 を達成しました。これは、同じコーパスで再トレーニングされた最も強力な CGM 専用ベースラインモデルの 54.7 を上回る成績です。この 0.72M パラメータのエンコーダーは、477 人の被験者から得られた 109,066 時間の未ラベル CGM データを用いて、単一の NVIDIA H100 GPU で事前学習されました。

では、これはすぐに実用化できるのでしょうか？

研究インフラとしての側面であれば「はい」です。しかし、臨床現場や消費者向け製品として即座に使えるかと言えば、「いいえ」です。

研究チームは明確に述べています。GlucoFM はあくまで研究用のプロトタイプであり、いかなる規制当局の承認も受けていません。また、疾病の診断・治療・治癒・予防を目的としたものではありません。すべての評価は後方視的なものであり、最大の事前学習コホートは非公開です。2026 年 8 月 26 日現在、チェックポイントがリリースされた事例はありません。ただし、論文ではコードと再現性のスクリプトの公開を約束しています。

今日すぐに実用化できるのは、その「レシピ」です。学習可能なパラメータ数はわずか 0.72M で、単一の NVIDIA H100 で 120 エポックのトレーニングを行うだけで、CGM データセットを持つあらゆるチームがこれを再現できます。また、24 時間分のウィンドウ推論は、CPU コンテナやオンデバイス環境でも実行可能です。

CGM を一つの信号として扱うことの問題点

既存の CGM（連続血糖モニタリング）基盤モデルである CGMformer、GluFormer、CGM-JEPA は、血糖値の推移を単一の絡み合ったシーケンスとしてエンコードしています。しかし、CGM データは同時に 2 つの異なる要素を含んでいます。一つは緩やかに変化する調節ベースラインであり、もう一つは食事や活動、ストレス、あるいはセンサーのアートファクトに起因する短時間の一時的な変動です。また、臨床ラベルは高価でコホート固有のものであるため、教師あり学習の上限が決まってしまいます。

アーキテクチャ

GlucoFM は各記録を Δt = 5 分間隔の固定された 24 時間グリッドにアライメントし、L = 288 の位置を与えます。同時に、絶対的な概日リズムの開始インデックスも保持します。観測マスク M は最初から最後まで維持され、欠損している位置はテンソルを構築するためにのみ補完されますが、測定値としてカウントされることはありません。アブレーション実験では、このマスク対応のデフォルト設定に対して密な補間（dense interpolation）の方が性能が劣ることが示されています。

因果性を保ちつつマスクに対応可能な学習可能なガウスフィルタが信号を分割します。フィルタリングされたトレンドが「状態ストリーム」に、マスクされた残差が「イベントストリーム」になります。帯域幅σは 2〜12 グリッドステップ（約 10〜60 分）の範囲で学習可能であり、初期値は 6.0 に設定されています。片側カーネルを採用しているため、未来の血糖値が現在の状態推定に漏れ出すことはありません。

両ストリームは、24 の 1 時間パッチにトークン化され、128 次元のトークンに統合された上で、円形の時系列特徴が付与されます。事前学習では、JEPA スタイルの 2 つの目的関数が用いられます。1 つ目は、50〜60% のパッチをマスクし、EMA ティーチア（m = 0.997）に対して文脈的な潜在予測を行うものです。2 つ目は、残差遷移ヘッドを通じて次のパッチの状態やイベントのダイナミクスを予測する手法です。CGM に特化したデータ拡張としては、ベースラインの揺らぎの付加、圧縮のような欠損の追加、15 分サンプリングへの減衰、そして接続断ブロックが含まれます。

エンコーダーは 3 レイヤーの Transformer で、隠れ次元は 128、アテンションヘッド数は 4、フィードフォワード層は 256 です。学習可能なパラメータ数は 0.72M、総パラメータ数は 1.18M となっています。事前学習には、Wear-CGM、ShanghaiT2DM、Stanford、BIG IDEAs、Colas の 477 名にわたる 109,066 時間のラベルなし CGM データが使用されました。

<!– INTERACTIVE EXPLAINER EMBED GOES HERE –>

結果

4 つのコホートと 7 つのタスク（計 14 のコホート・タスク評価）にわたる、被験者非共有型の線形プロービングにおいて、GlucoFM は 58.8 の PR-AUC を達成しました。これは、同じコーパスで再トレーニングされた最も強力な CGM 固有のベースラインである 54.7 よりも +4.1 ポイント（約 7.5% の相対向上）上回る結果です。また、既存の最良の変種である GluFormer よりも 5.8 ポイント高い数値でした。GlucoFM はすべての糖尿病リスク評価およびベータ細胞機能不全評価で PR-AUC をリードし、インスリン抵抗性評価の 4 つのうち 3 つでも首位を維持しました。さらに、24 のクロスデータセット転移評価のうち 21 で 1 位を獲得しています。

2 時間の食後血糖反応の予測において、GlucoFM は完全なコンテキストを用いて MAE（平均絶対誤差）21.88 mg/dL を達成しました。これは、最良のベースラインモデルが示した 22.90 mg/dL や、訓練用データ全体の平均値を示すモデルの 27.69 mg/dL を上回る結果です。この評価は、Dexcom と Libre のセンサーから収集された 34 名の参加者による 874 件の食事イベントに基づいています。また、マクロ F1 スコアにおける 7 日間の GMI（推定平均血糖値）閾値ルールを破り、Stanford データセットでは +7.4 ポイント、CGMacros-Dexcom では +17.4 ポイントの向上を示しました。

さらに興味深いのは、このモデルがデータ全体の 20% しか使用して訓練されていないにもかかわらず、全データで訓練された既存の CGM（連続血糖モニタリング）ベースラインと同等のパフォーマンスを発揮している点です。

主なポイント

GlucoFM は、従来のように一つの絡み合った時系列として扱うのではなく、CGM データを「状態」を表す緩やかなストリームと、「イベント」を表す一時的なストリームの 2 つに分割して処理します。

このモデルは訓練可能なパラメータ数がわずか 0.72M（72 万）ですが、タスク平均の PR-AUC（適合率 - 再現率曲線下面積）において、135M パラメータを持つ GluFormer や 385M パラメータを持つ MOMENT を上回る性能を記録しました。

14 のコホート・タスク評価を通じて、同じデータセットで訓練された最良の CGM ベースラインと比較して PR-AUC が 58.8 と 54.7 を示し、明確な優位性を確認できました。

特に糖尿病リスク、ベータ細胞機能不全、インスリン抵抗性といった臨床的に中心的な課題において、最も大きな性能向上が見られました。

なお、これは研究段階のプロトタイプであり、規制当局による承認は得られておらず、公開用のチェックポイントも現時点では用意されていません。

詳細については論文と技術資料をご覧ください。Twitter や 15 万人以上の ML 関連ユーザーが参加する SubReddit、そしてニュースレターへの登録もお忘れなく。Telegram をご利用の方も、ぜひご参加ください。

本記事は MarkTechPost の「Google Research Introduces GlucoFM: A 0.72M-Parameter Dual-Stream Foundation Model for Continuous Glucose Monitoring」という投稿の翻訳です。