GlucoPRISM、CGM基盤モデル転移性能を改善

arXiv (アーカイブ) は10月8日(現地時間)、ある研究グループが、連続血糖値モニタリング (CGM) の基盤モデルにおいて、異なる集団への転移性能を向上させる新手法「GlucoPRISM (グルコプリズム)」を発表したことを明らかにした。この手法は、事前学習段階でセンサー固有の測定差異を表現から分離し、モデル展開時にその成分を除去することで、モデルの汎化能力を高める。

GlucoPRISMは、従来のCGM基盤モデルが抱える課題、すなわち個人特性、日々の出来事、そしてセンサー測定方法に起因する表現の混在が、新たなコホートへのモデル転移を阻害するという問題に対処する。この手法は、GlucoFM (グルコエフエム) バックボーンにプロトコル監視型の事前学習を適用する。これにより、表現の各部分が「日」の変化または「センサー」の変化に応じてどのように変わるべきかを示すresponse contractsを設定する。

具体的には、モデルが認識する64次元のTrait (特性) バンドは変化しないよう設計され、48次元のState (状態) バンドは日をまたいで変化する。さらに、16次元のSensor (センサー) バンドはデバイスを追跡する役割を担う。この監視は、Dexcom (デクスコム) と Libre (リブレ) のペアリングされた記録、異なる日のペア、そして血糖値サマリーターゲットから生成された合成センサービューを用いて、臨床ラベルなしで実施される。

12種類の異なるコホート間転移方向で評価した結果、このSensorバンドを凍結されたエンコーダーから除去した場合、平均転移AUROCはGlucoFMの69.3に対し、68.75から73.57へと向上した。特に、2種類のセンサータイプで記録されたターゲットコホートであるCGMacros (シージーマクロス) では、フィルタリングにより11〜19ポイントの改善が見られた。その他の8方向ではフィルタリングの効果は中立的であったものの、エンコーダー自体はGlucoFMを3.5ポイント上回る結果を示している。

フィルタリング後もデバイス関連情報が線形にデコード可能であることから、この手法は転移を阻害するデバイス関連のコンポーネントのみを除去し、測定情報全体を削除するものではないとされている。残されたバンドは、14中13の公開タスクコホートセルでウィンドウAUROCを改善し、9,303人の参加者からなる外部コホートにおいて15中14の臨床エンドポイントでの相関を改善した。

参考: arXiv cs.LG (アーカイブ) — 2026年10月12日 13:00 (JST)