Google Researchは2026年8月26日(現地時間)、連続血糖測定（CGM）データ分析用の新たな自己教師あり基盤モデル「GlucoFM」を発表した。この軽量モデルは、血糖値の遅い傾向と短期間の変動を別々のストリームでモデル化するデュアルストリーム設計を採用。糖尿病リスク評価、インスリン抵抗性、膵臓β細胞機能不全、食後血糖反応など、多様な代謝予測タスクにおいて既存モデルを上回る性能を示した。
GlucoFMは、既存のCGM基盤モデルが血糖値を単一の表現ストリームで処理するのに対し、遅いベースラインパターンと短期的な変動を明示的に分離してモデル化する。これにより、食事や活動、センサーのアーティファクトといった短期間の事象を捉えつつ、日常のCGMデータから糖尿病リスク、インスリン抵抗性、膵臓β細胞機能不全などを限られたラベルデータで推定することが可能となる。
GlucoFMは、Wear-CGMを含む4つの公開データセットから、合計109,066時間に及ぶラベルなしCGMデータで事前学習された。事前学習では、測定ノイズやセンサーのアーティファクトの影響を受けやすい生データではなく、潜在表現を予測する手法を採用。Contextual predictionとTemporal dynamicsという2つの補完的なタスクを通じて、モデルは日常の血糖パターンと経時的な変化を学習する。
GlucoFMは、CGMacros、Stanford、Hall、ShanghaiT2DMの4つのコホートにわたる7つの臨床予測タスクで評価された。14のコホート・タスク評価において、GlucoFMのPR-AUC（適合率-再現率曲線下面積）は、最良のGluFormerモデルと比較して平均5.8パーセントポイント高い数値を記録した。特に、糖尿病リスクと膵臓β細胞機能不全のすべての評価、およびインスリン抵抗性の4つの評価中3つで最高のPR-AUCを達成した。
さらに、食後血糖反応 (PPGR) 予測においては、DexcomとLibreという2つのCGMデバイス全体で最低の平均絶対誤差（MAE）を達成した。GlucoFMは、データセット間での優れた転移性能と、新しいコホートやラベル付けされた被験者のデータが極めて限られている状況下でのfew-shot adaptation（少数ショット適応）能力も示した。
参考: Google Research Blog — 2026年8月27日 03:42 (JST)
原文ハイライト"GlucoFM achieved the strongest task-averaged PR-AUC among the evaluated methods."