Google Research、連続血糖測定モデル GlucoFM を公開──デュアルストリームで糖尿病リスク予測精度を向上
低速な血糖トレンドと短期変動を分離するデュアルストリーム構造により、クロスデータセット転移や少数データ適応で従来モデルを上回る精度を達成した。
リリース: 2026-08-21 · 読了 3 分記事の要約
1. 核心（What）
- Google Researchは、連続血糖測定（CGM）データの解析に特化した自己教師あり学習型基盤モデル「GlucoFM」を発表した。
- モデルは低速な血糖トレンドと短期の変動成分を個別のストリームで処理するデュアルストリーム構造を採用している。
- 4つの臨床コホートと7つの予測タスク（糖尿病リスク、インスリン抵抗性など）において、既存モデルを上回るPR-AUCを記録した。
2. 影響（Why）
- 臨床データのスパース性を克服: 高価で希少なラベル付き臨床データに依存せず、大量の未ラベルCGMデータから汎用的な代謝パターンを学習できるため、開発コストを大幅に抑えられる。
- 国内デジタルヘルス事業への影響: PHRや生活習慣病予防サービスを展開する国内のヘルスケア事業者は、複数メーカーのセンサーデータを統合して予測精度を高めるアーキテクチャ設計に直結する。
3. 根拠・詳細（How）
- デュアルストリームアーキテクチャ: 低周波の状態成分と短期的な残差イベント成分を分離するエンコーダーを採用し、時刻情報と欠損マスクを保持したまま24時間5分刻みのグリッドに整列させる。
- 潜在予測事前学習の導入: 測定ノイズやセンサーアーティファクトの影響を受ける生データの正確な再構成を避け、2つの補完的なタスクによる潜在予測事前学習を実施した。
4. 展望・課題（Next）
- クロスデータセット汎化性能の検証: 異なる臨床コホート間での転移性能の検証が進んでおり、今後はより多様な実世界データでの少数ショット適応の評価が続けられる予定。