双流建模，把血糖趋势和短期波动分开处理

Google Research的科研人员Ahmed A. Metwally和Zechen Li在2026年8月26日介绍了GlucoFM。这是一个轻量级、自监督的连续血糖监测基础模型。与以往把血糖当作单一数据流处理的做法不同，GlucoFM把较慢的血糖趋势和短期偏差放在两个独立流中建模，同时保留一天中的时间信息和数据缺失情况。

打开网易新闻 查看精彩图片

原文指出，消费级可穿戴设备通过运动和生理传感器估算活动和睡眠，但这些信号只能间接反映血糖调节。连续血糖监测仪每几分钟跟踪一次皮下组织间液葡萄糖，捕捉空腹、夜间和餐后模式。问题在于，解读这些曲线并不容易，尤其是高质量临床标签稀缺且获取成本高。

对比现有模型，GlucoFM在多项临床预测任务中领先

许多已有的连续血糖监测基础模型，包括CGMformer、GluFormer和CGM-JEPA，都通过单一表示流处理葡萄糖，而不是明确分离慢速基线动态和瞬态事件动态。但连续血糖监测并不是无差别的数据流：它包含相对缓慢的基线模式，中间穿插着可能反映进餐、活动或传感器伪影的短期偏差。

GlucoFM的潜在预测目标会学习这些数据的日常上下文和时间演变。研究团队在四个不同队列上评估了GlucoFM，覆盖七项临床预测任务：糖尿病风险、胰岛素抵抗、β细胞功能障碍、高脂血症、低血糖、肥胖和糖型，共构成14个队列—任务评估。

在这些评估中，GlucoFM的PR-AUC平均比表现最好的GluFormer变体高出5.8个百分点，两者在相同语料上预训练。在PR-AUC指标上，GlucoFM在所有糖尿病风险和β细胞功能障碍评估中领先，并在四个胰岛素抵抗评估中的三个领先。

餐后血糖预测误差最低，跨数据集迁移表现最好

研究团队还评估了GlucoFM在餐后血糖反应预测上的表现。在匹配输入和评估协议的情况下，GlucoFM在两个连续血糖监测设备（Dexcom和Libre）上的平均绝对误差最低。此外，GlucoFM取得了最佳的跨数据集迁移性能，并展现出较强的少样本适应能力，即使新队列或标注受试者的数据极为有限。

GlucoFM在109,066小时的无标注连续血糖监测数据上预训练，数据来自Wear-CGM。原文提到，连续血糖监测记录可能包含间隙和不同的采样间隔，但相关描述在原文中未进一步展开。