Google Research、血糖値予測モデル GlucoFM を発表──10 万時間の CGM データで PR-AUC 4.1 ポイント向上
連続血糖測定データの低速基盤トレンドと短期変動をデュアルストリームで分離し、少数ラベル環境での糖尿病リスク予測精度を刷新した。
リリース: 2026-08-26 · 読了 3 分記事の要約
1. 核心（What）
- Google Research は連続血糖測定 (CGM) データの自己教師あり学習基盤モデル「GlucoFM」を発表した。
- 事前学習には Wear-CGM および 4 つの公開データセットから抽出した 109,066 時間の未ラベル CGM データ（477 セッション）を使用している。
- 14 のコホートタスク評価において、既存の最強ベースラインと比較して平均 PR-AUC を 4.1 ポイント（相対約 7.5%）向上させた。
- 食事後の血糖値変動（PPGR）予測タスクにおいて、平均絶対誤差 (MAE) は 21.88 mg/dL と従来モデルを上回る精度を記録した。
2. 影響（Why）
- 医療データ収集のコスト激減: 1% のラベルデータと 1 名の少数被験者環境でも高精度を維持できるため、臨床パイロット試験の立ち上げコストを大幅に圧縮できる。
- 国内ヘルスケア SaaS のモデル設計転換: [国内 デジタルヘルス SaaS 業種] のような中規模事業者は、独自に大規模な臨床ラベルデータを収集せずとも、GlucoFM の事前学習済み埋め込み表現を基盤として転用可能になる。
3. 根拠・詳細（How）
- デュアルストリーム構造による分離設計: 低周波の血糖値トレンド成分と、食事や活動による短期変動成分を 2 つのストリームに分割して表現を学習したうえで再結合するアーキテクチャを採用している。
- JEPA 型の潜在空間予測タスク: 生データのノイズを直接予測するのではなく、マスクされたセグメントの潜在表現や、時間経過に伴う動的変化を予測する JEPA（Joint-Embedding Predictive Architecture）形式の目的関数で学習を行っている。
4. 展望・課題（Next）
- コードと API の公開予定: 現時点では arXiv での論文発表のみにとどまっており、公式のコードやホステッド API は公開されていない。