CGM向け基盤モデル「GlucoFM」、血糖予測で既存手法を上回る

CGMデータ活用の課題

持続血糖モニタリング（CGM）は、皮下に挿入した小型センサーで数分ごとに間質液のグルコース値を計測し、空腹時や夜間、食後などの血糖パターンを捉える技術です。スマートウォッチなどのウェアラブルが運動や睡眠を推定するのに対し、CGMは血糖調節のより直接的な情報を提供します。特に、糖尿病患者の日常管理や、食生活と血糖値の関係を調べる研究で活用が進んでいます。

しかし、CGMのデータは測定ノイズや欠損、センサーアーチファクトを含み、解釈には臨床ラベルが必要です。高品質なラベルは入手が難しく費用もかかるため、ラベルなしデータから有用な表現を学習する基盤モデルが注目されています。また、既存の基盤モデルはグルコース変動を単一のストリームで処理しており、時間スケールの異なる情報が混在するという課題もあります。

Google Researchは今回、こうした課題に取り組むため、自己教師あり学習を用いたCGM専用の基盤モデル「GlucoFM」を開発しました。本ブログでは、モデルの設計思想と評価結果が詳しく報告されています。以下では、その内容を整理します。

技術の特徴

GlucoFMの最大の特徴は、グルコース変動を「遅いトレンド」と「短期的な変動」の2つのストリームに分離して処理するデュアルストリーム設計です。これまでのCGMformerやGluFormer、CGM-JEPAといった既存モデルは単一のストリームで表現を学習していましたが、GlucoFMは時間帯や欠損情報も保持します。

事前学習では、マスクした部分の潜在表現を周囲から予測する「文脈予測」と、1時間先のベースラインと短期的変動の変化を予測する「時間ダイナミクス」という2つのタスクを課します。さらに、実データで起こり得るベースラインのドリフトやセンサー断線などの変動を模したデータ拡張を導入し、頑健性を高めています。

評価結果

GlucoFMは、CGMacros、Stanford、Hall、ShanghaiT2DMの4つのコホートと、糖尿病リスク、インスリン抵抗性、β細胞機能障害、高脂血症、低血糖、肥満、グルコタイプの7つの臨床予測タスクで評価されました。合計14のコホート・タスク評価のうち、平均PR-AUCは同一コーパスで事前学習した最良のGluFormer変種より5.8ポイント高くなりました。

食後2時間の血糖応答（PPGR）予測では、DexcomとLibreの2つのデバイスを対象に評価し、平均MAE（平均絶対誤差）で最良のベースライン22.90 mg/dLに対し21.88 mg/dLを達成。訓練データの平均値を使う単純ベースライン27.69 mg/dLを大きく下回りました。

少ないデータでの適応と今後

ラベル付きデータが極端に少ないフューショット設定でも、GlucoFMは1クラスあたり1人、観測データ1%という限られた条件下で最高のPR-AUCを記録しました。また、コホートが異なるデータセットへの転移でも、12評価中11で最良モデルを上回り、生理学的なパターンの汎用性が示唆されます。

一方で、現在の事前学習データは109,066時間・477件とまだ規模は大きくありません。今後はより多様な集団で学習し、CGM以外のセンサーや臨床アウトカムとの統合を進めることが課題とされています。