谷歌推出GlucoFM：0.72M参数双流式血糖监测基础模型

双流解耦：突破传统CGM建模范式

现有CGM基础模型（如CGMformer、GluFormer、CGM-JEPA）均将血糖时序视为单一纠缠序列进行编码。GlucoFM则提出根本性改进：将原始CGM信号解耦为两条独立通路——表征慢变生理基线的‘状态流’（state stream），与捕捉餐后波动、运动响应、压力扰动及传感器伪迹等短时变异的‘事件流’（event stream）。这一设计更贴合临床生理学本质，也缓解了标注数据稀缺、队列特异性强对监督学习的制约。

架构精简而高效

GlucoFM将每条CGM记录对齐至固定24小时网格（5分钟步长，共288点），保留绝对昼夜起始索引，并全程维持原始观测掩码（mask）。缺失值仅用于张量构建，不参与计算。模型采用因果、掩码感知的可学习高斯滤波器实现信号分离：滤波后趋势构成状态流，掩码下的残差构成事件流；滤波带宽σ在2–12个网格步长（约10–60分钟）内可学习，初始化为6.0。两路信号各自划分为24个一小时块，嵌入128维token并叠加循环时间特征。预训练采用两种JEPA风格目标：一是对50–60%遮蔽块进行上下文潜变量预测（EMA教师模型m=0.997）；二是通过残差转移头预测下一小时块的状态/事件动态。数据增强包含基线漂移、类压缩骤降、降采样至15分钟、断连区块等CGM特有扰动。编码器为3层Transformer（隐层维度128、4头注意力、前馈层256），总计0.72M可训练参数（1.18M总参数）。

数据与训练：轻量可复现

模型在来自Wear-CGM、ShanghaiT2DM、Stanford、BIG IDEAs和Colas五个数据集的477名受试者、共计109,066小时无标签CGM数据上完成预训练，仅使用单块NVIDIA H100 GPU，耗时120个epoch。研究强调其工程友好性：任意拥有CGM数据集的团队均可复现；24小时窗口推理可在CPU容器或端侧设备运行。

性能全面领先

在受试者互斥的线性探针评估中，GlucoFM在4个独立队列、7类临床任务（共14项队列–任务组合）上，任务平均PR-AUC达58.8，显著高于在同一数据集上重训的最强CGM专用基线（54.7，+4.1分，相对提升约7.5%），亦高出最优GluFormer变体5.8分。其在全部糖尿病风险与β细胞功能障碍评估中均居首位，在4项胰岛素抵抗评估中胜出3项；在24项跨数据集迁移任务中，21项排名第一。针对餐后2小时血糖响应预测（874次进餐事件，34名参与者，Dexcom/Libre传感器），其MAE为21.88 mg/dL，优于最佳基线（22.90）和训练集均值（27.69）；在斯坦福与CGMacros-Dexcom数据集上，其对7天葡萄糖管理指数（GMI）阈值规则的宏F1得分分别高出7.4和17.4分。值得注意的是，仅用20%预训练数据，GlucoFM即达到与全量数据训练的CGM基线相当的性能。

定位明确：研究原型，非临床产品

研究团队明确声明：GlucoFM是纯粹的研究原型，未经任何监管机构审查或批准，不得用于疾病诊断、治疗、治愈或预防。所有评估均为回顾性分析；最大预训练队列尚未公开；截至2026年8月26日，尚无检查点发布——论文承诺开源代码与可复现脚本。当前真正‘可部署’的，是其轻量、透明、可复现的技术方案本身。

编者观点：GlucoFM的双流架构与极简参数设计，为中国医疗AI企业提供了重要启示——在垂直领域基础模型研发中，深入理解生理/临床机制比盲目堆叠参数更关键；小而精、可解释、易部署的模型路径，可能比通用大模型更适合强监管、高安全要求的数字健康场景。