Google Research 发布 GlucoFM：面向连续血糖监测的双流基础模型

用途与设计

根据 Google Research 官方博客（2026-08-26），GlucoFM 是一个轻量级、自监督的连续血糖监测（CGM）基础模型。CGM 通过皮下传感器每隔几分钟记录组织间液葡萄糖，可反映空腹、夜间和餐后模式，但高质量临床标签稀缺且昂贵。

GlucoFM 的核心设计是双流：把较低频的状态成分（较慢的血糖趋势）与残差事件成分（短期偏离，可能来自生理、行为或传感伪影）分开编码，同时保留一天中的时间和缺失信息。预训练不使用重建原始读数，而是采用潜在预测目标，包括上下文预测（遮蔽部分日内序列并预测其潜在表示）和时间动态（预测基线与短期偏离在相邻小时之间的变化），并用基线漂移、类压缩掉点、更稀疏采样和短时断连等 CGM 相关增强。

报告的结果

预训练数据为 Wear-CGM 等四个已发表数据集共 109,066 小时无标签 CGM 数据、477 条参与者/会话记录。评估覆盖四个队列（CGMacros、Stanford、Hall、ShanghaiT2DM）和七个临床预测任务（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、glucotype），共 14 项队列—任务评估，另加两小时餐后血糖反应（PPGR）预测。

博客称，在冻结编码器的线性探测下，GlucoFM 的任务平均 PR-AUC 从最强 CGM 专用基线的 54.7 提升至 58.8；在所有糖尿病风险和 β细胞功能障碍评估、四项胰岛素抵抗评估中的三项取得最高 PR-AUC。PPGR 任务中，在输入与评估协议匹配的情况下，GlucoFM 在两个 CGM 设备（Dexcom、Libre）上平均 MAE 最低，为 21.88 mg/dL，对比最强基线 22.90 mg/dL。跨数据集迁移的 12 项评估中，11 项领先 0.5–8.6 个 PR-AUC 点，1 项落后 0.6 点；少样本设置下逐项数据预算均最高。编码器消融显示仅事件流的版本最弱，完整双流版本整体最好。

限制与待核实

博客指出当前预训练人群规模仍然有限，代谢反应在个体、队列和设备间存在差异；下一步计划扩展到更大、更多样的人群，并研究原生跨多天建模与实时变化。上述性能数字均来自来源方自述的评测设置，未经第三方独立复现；论文虽提供链接，但本条仅转述博客内容，未验证其结论。