Google Research hat am 26. August GlucoFM vorgestellt, ein selbstüberwachtes Foundation Model, das ausschließlich Kurven aus der kontinuierlichen Glukosemessung (CGM) verarbeitet. Das Paper ist auf arXiv unter der Nummer 2605.30865 veröffentlicht, Autoren sind Ahmed A. Metwally und Zechen Li von Google Research. Das adressierte Szenario ist sehr konkret: Ein am Arm getragener Sensor liefert alle fünf Minuten einen Messwert; nach ein paar Tagen ergibt das eine lange, verrauschte Kurve, aus der Ärzte Kennzahlen wie Insulinresistenz oder Betazellfunktion ablesen wollen – bislang war dafür manuelles Feature-Engineering nötig.
Das Modell zerlegt die Kurve in zwei Pfade. Ein Pfad verarbeitet langsame Variablen, also Stoffwechseltrends über Stunden bis einen Tag; der andere Pfad kümmert sich um schnelle Variablen wie den Anstieg nach dem Essen oder nächtliche Unterzuckerungen. Beide Pfade werden getrennt kodiert und dann zu einer gemeinsamen Repräsentation zusammengeführt. Das Team führte eine Ablationsstudie durch und stellte fest, dass die Variante, die nur den "Ereignisstrom" behält, am schlechtesten abschneidet – kurzfristige Schwankungen allein reichen nicht aus, um ein stabiles Stoffwechselbild zu zeichnen.
Die Zahlen im Detail
Für das Vortraining wurden 109.000 Stunden unbeschrifteter CGM-Daten aus 477 Teilnehmer- bzw. Sitzungsaufzeichnungen aus fünf Datensätzen verwendet. Die Auswertung erstreckt sich über vier Kohorten – CGMacros, die Stanford-Kohorte, die Hall-Kohorte und ShanghaiT2DM – sowie sieben klinische Vorhersageaufgaben, insgesamt also 14 Kohorten-Aufgaben-Kombinationen. Als Vergleich diente die beste Variante von GluFormer: Der durchschnittliche PR-AUC-Wert von GlucoFM liegt 5,8 Prozentpunkte höher, was einer relativen Verbesserung von rund 7,5 % entspricht. Bei Diabetesrisiko und Betazellfunktion gewinnt GlucoFM durchweg, bei Insulinresistenz in drei von vier Auswertungen. Der MAE bei der Vorhersage der postprandialen Glukosereaktion liegt bei 21,88 mg/dL gegenüber 22,90 bei der Baseline. Von 12 Auswertungen zum Transfer über Datensätze hinweg gewinnt GlucoFM 11, mit einem Vorsprung von 0,5 bis 8,6 Punkten.
Der Few-Shot-Teil kommt der Praxis noch näher. Selbst wenn pro Klasse nur ein beschrifteter Teilnehmer vorliegt oder nur 1 % der Beobachtungen genutzt werden, behält GlucoFM seinen Vorsprung. In der klinischen Forschung liegen die Kosten für die Beschriftung oft eine Größenordnung über den Kosten der Datenerhebung – ein Punkt, der praktisch relevanter ist als jeder Ranking-Wert.
Ein Kontrast bei der Datenmenge
Grob gerechnet: 109.000 Stunden bei einer Abtastrate von fünf Minuten ergeben etwa 1,3 Millionen Datenpunkte. Aktuelle Sprachmodelle starten dagegen oft bei mehreren Billionen Token – dieser Umfang fällt daneben kaum ins Gewicht. Auch 477 Aufzeichnungen aus fünf Datensätzen sind alles andere als groß. Google schreibt in den Limitationen selbst unumwunden: Die Vortrainingspopulation ist eher klein, das Modell verarbeitet derzeit nur unabhängige 24-Stunden-Fenster und erfasst keine wöchentlichen oder monatlichen Trends.
Foundation Models für Signaldaten und für Sprache folgen offenbar keiner gemeinsamen Skalierungslogik. CGM-Kurven haben wenige Freiheitsgrade und eine starke Struktur, sodass die Daten von wenigen hundert Personen bereits ausreichen, damit das Modell lernt, was eine normale Schwankung ist. Für die Zukunft plant Google, auf größere und vielfältigere Populationen zu skalieren, natives Multi-Tage-Modeling umzusetzen, Echtzeitanpassung zu unterstützen und die Unterschiede im Rauschmuster zwischen Kohorten besser zu verstehen.
Der Weg aufs Gerät
Die Auswertung wurde separat auf Dexcom- und auf Libre-Sensoren validiert, das Modell ist also nicht an die Abtasteigenschaften eines einzelnen Hardwaretyps gebunden. Die Daten zur postprandialen Reaktion umfassen 874 gepaarte Mahlzeit-Ereignisse von 34 Teilnehmern – nicht viel, aber sauber erhoben. CGM verbreitet sich seit einigen Jahren über die Diabetesbehandlung hinaus auch bei gesunden Menschen; sobald rezeptfreie Varianten verfügbar sind, wird die Zahl der Träger weiter steigen – und mit ihr die Menge unbeschrifteter Kurven, die sich für selbstüberwachtes Lernen nutzen lässt. Ein leichtgewichtiges, few-shot-fähiges Modell trifft damit genau den richtigen Zeitpunkt.
Quellen: offizieller Google-Research-Blog, arXiv-Paper 2605.30865, CocoLoop; Modellarchitektur, Umfang der Vortrainingsdaten und die Bewertungskriterien der 14 Kohorten-Aufgaben-Kombinationen richten sich nach den Angaben im offiziellen Blog.