Датчики непрерывного мониторинга глюкозы (CGM) генерируют плотные потоки данных о состоянии интерстициальной жидкости: от ночных смещений базового уровня до резких скачков после еды. Однако извлечение применимой клинической ценности из этих временных рядов долго упиралось в серьезный барьер: получение сопоставленных и качественных медицинских меток обходится слишком дорого. Без масштабной разметки традиционные модели с трудом отделяют значимый метаболический сигнал от суточного фонового шума.
Чтобы устранить эту проблему, исследователи Google Research Ахмед А. Метвалли и Цзэчэнь Ли представили GlucoFM. Это легковесная базовая модель с самообучением (self-supervised), созданная для извлечения информативных метаболических репрезентаций напрямую из неразмеченных данных сенсоров без необходимости в сплошной клинической разметке.
Двухпоточная обработка физиологической динамики
Существующие базовые архитектуры, такие как CGMformer, GluFormer и CGM-JEPA, обрабатывают сырую телеметрию глюкозы как единую последовательность. Подобный подход часто размывает долгосрочные системные тренды здоровья и кратковременные метаболические реакции. Команда Google Research решила эту задачу, заложив в GlucoFM явное физиологическое допущение: динамика гликемии протекает в принципиально разных временных масштабах. Двухпоточный энкодер модели разделяет непрерывный сигнал на низкочастотную базовую траекторию и высокочастотный остаточный поток.
Низкочастотный канал отслеживает медленные базальные сдвиги, а высокочастотный изолирует резкие колебания, вызванные приемом пищи, физической активностью или аппаратными артефактами сенсора. Модель предварительно обучена на 109 066 часах неразмеченной телеметрии Wear-CGM. Вместо ненадежной поточечной реконструкции GlucoFM использует задачи предсказания в латентном пространстве, моделируя суточный метаболический контекст и динамику во времени.
Валидация на межкогортных бенчмарках
Google Research протестировала архитектуру на четырех различных когортах пациентов по семи ключевым клиническим задачам: оценка риска диабета, инсулинорезистентности, дисфункции бета-клеток, гиперлипидемии, гипогликемии, ожирения и классификация глюкотипов в рамках 14 сценариев.
По сравнению с существующими решениями, обученными на тех же данных, GlucoFM показала средний прирост метрики PR-AUC на 5,8 процентных пункта относительно сильнейшего аналога GluFormer. Двухпоточный энкодер занял лидирующие позиции по PR-AUC во всех тестах на риск диабета и дисфункцию бета-клеток, а также в трех из четырех тестов на инсулинорезистентность. При прогнозировании постпрандиального гликемического ответа на устройствах Dexcom и Abbott FreeStyle Libre модель стабильно демонстрировала наименьшую среднюю абсолютную ошибку, сохраняя высокую точность переноса даже в условиях сильного дефицита обучающих примеров (few-shot).
Разделение медленных суточных базовых уровней и острых скачков после еды доказало, что специализированные архитектуры с самообучением способны извлекать клинически ценные паттерны из сырых сенсорных потоков. Это открывает дорогу к внедрению предиктивной аналитики метаболизма как в потребительские носимые устройства, так и в децентрализованную медицинскую диагностику.