26 августа 2026 года исследовательская группа Google опубликовала описание GlucoFM — фундаментальной модели для анализа данных непрерывного мониторинга глюкозы (CGM). В отличие от предшественников, модель использует двухпоточный энкодер, который разделяет медленные базальные тренды и краткосрочные отклонения, вызванные приёмами пищи, физической активностью или артефактами сенсора. Это позволило улучшить точность прогнозирования метаболических показателей на 5,8 процентных пункта PR-AUC по сравнению с лучшими существующими решениями.
Зачем разделять потоки глюкозы
CGM-датчики — от Dexcom и Libre до аналогов — измеряют интерстициальную глюкозу каждые несколько минут. Получаемый ряд содержит как плавные суточные ритмы, так и резкие пики, связанные с едой, стрессом или движением. Большинство существующих моделей (CGMformer, GluFormer, CGM-JEPA) обрабатывают этот сигнал как единый поток, что снижает способность различать физиологические паттерны и шум. GlucoFM явно разделяет эти компоненты: медленный тренд моделируется отдельно, а краткосрочные отклонения обрабатываются как остаточный сигнал. Такой подход, по заявлению авторов, позволяет модели лучше обобщать на новые когорты и работать с неполными данными.
Архитектура и предобучение
Модель предобучена на 109 066 часах немаркированных CGM-записей из набора Wear-CGM и четырёх публичных датасетов — всего 477 записей участников. Все записи приводятся к единой 24-часовой сетке с шагом 5 минут, а пропуски обрабатываются через маску наблюдений. Ключевое нововведение — два взаимодополняющих предобучающих задания: одно предсказывает контекст дневного паттерна, другое — эволюцию краткосрочных отклонений. Дополнительно применяются аугментации, имитирующие реальные условия: дрейф базальной линии, компрессионные провалы, разрежение выборки и кратковременные отключения датчика.
Результаты на клинических задачах
Оценка проводилась на четырёх когортах (CGMacros, Stanford, Hall и ShanghaiT2DM) по семи задачам: риск диабета, инсулинорезистентность, дисфункция бета-клеток, гиперлипидемия, гипогликемия, ожирение и глюкотип. Всего — 14 комбинаций когорта-задача. GlucoFM показала средний PR-AUC 58,8 против 54,7 у лучшего baseline (GluFormer) — прирост 7,5% относительно базовой линии. Модель заняла первое место во всех оценках риска диабета и дисфункции бета-клеток, а также в трёх из четырёх оценок инсулинорезистентности.
Отдельно тестировалось прогнозирование постпрандиального гликемического ответа (PPGR) — тренда глюкозы в течение двух часов после еды. На 874 парных приёмах пищи от 34 участников GlucoFM достигла средней абсолютной ошибки (MAE) 21,88 мг/дл, что на 1 мг/дл лучше лучшего baseline и на 5,8 мг/дл лучше среднего по тренировочной выборке. Результаты воспроизводятся на двух типах датчиков — Dexcom и Libre.
Ключевые факты
| Параметр | Значение |
|---|---|
| Объём предобучения | 109 066 часов CGM, 477 записей участников |
| Прирост PR-AUC | +5,8 п.п. (среднее по 14 задачам) относительно GluFormer |
| Ошибка PPGR | MAE 21,88 мг/дл (на 1 мг/дл лучше лучшего baseline) |
Практическое значение
Для разработчиков AI-решений в области цифрового здоровья GlucoFM интересна двумя аспектами. Во-первых, двухпоточная архитектура может быть перенесена на другие типы физиологических сигналов, где присутствует аналогичное разделение на тренд и события — например, ЭКГ или акселерометрия. Во-вторых, модель демонстрирует сильную few-shot адаптацию: она остаётся работоспособной при крайне ограниченном количестве размеченных данных, что критично для клинических исследований, где разметка дорога.
С другой стороны, стоит учитывать, что все результаты получены на четырёх публичных датасетах, и реальная применимость в гетерогенных популяциях требует дополнительной валидации. Кроме того, модель предсказывает метаболические риски на основе CGM-данных, но не заменяет клинические тесты — это инструмент скрининга и поддержки принятия решений.
Что дальше
Репозиторий с реализацией GlucoFM и весами предобученной модели пока не опубликован, но Google Research обычно открывает исходный код после публикации. Разработчикам, работающим с CGM-данными, стоит следить за релизом: модель может стать новым стандартом для извлечения признаков из непрерывных рядов глюкозы. Пока что доступны только препринт и блок-схема архитектуры на сайте Google Research.
Источник: Google Research Blog — GlucoFM: Foundation model for continuous glucose monitoring (https://research.google/blog/glucofm-foundation-model-for-continuous-glucose-monitoring/)