Google Researchは8月26日、持続血糖モニタリング(CGM)の波形データのみを扱う自己教師あり基盤モデル「GlucoFM」を公開した。論文はarXivに2605.30865として掲載され、著者はGoogle ResearchのAhmed A. MetwallyとZechen Liの両氏。対象とする課題は具体的だ。腕に装着したセンサーが5分おきに数値を吐き出し、数日分たまると長くノイズの多い波形になる。そこからインスリン抵抗性やβ細胞機能といった臨床的に有用な指標を読み取るには、これまで人手による特徴量設計が必要だった。
モデルは波形を2系統に分けて処理する。一方は数時間から1日単位の代謝トレンドという「緩やかな変数」を、もう一方は食後の急上昇や夜間低血糖といった短時間の変動という「速い変数」を担当する。それぞれ個別にエンコードした後、結合して表現を作る。チームが行ったアブレーション実験では、「イベント流」のみを残したバージョンが最も成績が悪く、瞬間的な変動だけでは安定した代謝像を描けないことが示された。
数字で見る
事前学習には、5つのデータセットから集めた参加者・セッション記録477件、計10万9000時間の未ラベルCGMデータを使用した。評価はCGMacros、スタンフォードコホート、Hallコホート、ShanghaiT2DMの4集団・7つの臨床予測タスクにまたがり、組み合わせると14のコホート・タスクの評価軸になる。比較対象であるGluFormerの最良バリアントに対し、GlucoFMのPR-AUCは平均で5.8ポイント上回り、相対改善率は約7.5%。糖尿病リスクとβ細胞機能では全面的に優位に立ち、インスリン抵抗性では4評価中3勝。食後血糖応答の予測では平均絶対誤差(MAE)が21.88 mg/dLで、ベースラインの22.90を下回った。データセット横断の汎化性能を測る12評価のうち11勝し、差は0.5〜8.6ポイントだった。
より実運用に近いのは少数ショットの結果だ。各カテゴリーにつきラベル付き参加者を1人しか与えない、あるいは観測量の1%しか使わない設定でも、GlucoFMは優位を保った。臨床研究ではラベル付けのコストがデータ収集コストより一桁高いことが珍しくない——この点はリーダーボードのスコアより実務的な意味を持つ。
データ規模というギャップ
ざっくり計算すると、10万9000時間を5分間隔でサンプリングした場合、データ点数はおよそ130万個になる。同時期の言語モデルは数兆トークン規模から始まるのが当たり前で、その基準に照らせばこの数字はほとんど誤差の範囲だ。477件の記録、5つのデータセットという規模も、決して大きいとは言えない。Googleは限界事項の中でその点を率直に認めており、事前学習に使った母集団は比較的小さく、モデルは現状、独立した24時間の窓単位でしか処理できず、週単位や月単位の傾向は捉えられないとしている。
信号系の基盤モデルと言語モデルでは、スケーリングの論理がそもそも異なる。CGMの波形は自由度が低く構造が強いため、数百人規模のデータでも「正常な変動とは何か」をモデルに学習させるには十分だという。今後の計画としてGoogleは、より大規模で多様な母集団への拡張、複数日をまたぐネイティブなモデリング、リアルタイム適応への対応を挙げるほか、コホート間でノイズパターンがどう異なるかを解明したいとしている。
端末への実装
評価はDexcomとLibreという2種類のセンサーそれぞれで個別に検証されており、モデルが特定ハードウェアのサンプリング特性に縛られていないことを示している。食後応答データは34人の参加者から得た874件のペア食事イベントで、量こそ多くないもののデータの質は高い。CGMはここ数年、糖尿病管理から健康な人々へと利用が広がりつつあり、処方箋不要版が登場すれば装着者数はさらに増え、自己教師あり学習に使える未ラベルの波形データも増えていく。少数データからでも転移できる軽量なモデルは、まさにこの位置にはまる。
参考資料：Google Research公式ブログ、arXiv論文2605.30865、CocoLoop；モデルのアーキテクチャ、事前学習データ量、14のコホート・タスク評価の設定は公式ブログの記載に基づく。