論文の概要: GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring

• arxiv url: http://arxiv.org/abs/2605.30865v1
• Date: Fri, 29 May 2026 05:46:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.407739
• Title: GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring
• Title（参考訳）: GlucoFM: 継続的グルコースモニタリングのためのデュアルストリーム基盤モデル
• Abstract要約: GlucoFMは連続グルコースモニタリング(CGM)のための軽量基盤モデルである 不規則な記録を24時間の時間格子に整列させ、観察マスクを保存し、グルコースのダイナミクスを遅い生理状態と過渡的なイベントストリームに分解する。 評価ベースライン間の最強主観差線形探索性能を実現する。
• 参考スコア（独自算出の注目度）: 12.757891952959987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous glucose monitoring (CGM) provides a dense view of daily metabolic physiology, yet existing generic time-series and CGM-specific foundation models often encode glucose traces as entangled single-stream sequences, leaving the distinct temporal structure of glycemic dynamics only implicitly modeled. We present GlucoFM, a lightweight CGM foundation model that aligns irregular recordings to a 24-hour chronological grid, preserves observation masks, and decomposes glucose dynamics into slow physiological state and transient event streams, capturing low-frequency glycemic baselines and short-term deviations that may reflect acute physiological responses or sensor artifacts. GlucoFM is pretrained on 109,066 hours of unlabeled CGM recordings from 477 subjects with two complementary objectives: masked contextual latent prediction over fused daily representations and temporal dynamics prediction over state and event streams. Across four diverse cohorts and seven clinical prediction tasks, GlucoFM achieves the strongest subject-disjoint linear-probing performance among evaluated baselines, improving average PR-AUC by 4.1 points over the best CGM-specific foundation model. Its gains are most pronounced on core metabolic outcomes, leading PR-AUC on all diabetes-risk and $β$-cell dysfunction tasks and on 3 of 4 insulin-resistance tasks. GlucoFM also achieves the best overall cross-dataset transfer performance and strong few-shot adaptation among evaluated methods, and consistent gains when aggregating multiple days for subject-level prediction, highlighting physiology-aware decomposition as an effective inductive bias for transferable CGM representation learning.
• Abstract（参考訳）: 連続グルコースモニタリング (Continuous glucose monitoring, CGM) は、日常の代謝生理学の高密度なビューを提供するが、既存の一般的な時系列やCGM固有の基盤モデルは、グルコースのトレースを絡み合った単一ストリーム配列としてエンコードすることが多く、血糖動態の時間構造は暗黙的にモデル化されているのみである。 GlucoFMは,不規則な記録を24時間の時間格子に整列し,観察マスクを保存し,血糖動態を遅い生理状態と過渡的なイベントストリームに分解し,低周波の血糖ベースラインと短時間の偏差を捉えて,急性生理応答やセンサアーティファクトを反映する軽量なCGMファンデーションモデルである。 GlucoFMは477名の被験者から109,066時間のCGM記録を事前訓練しており、2つの補完的目的がある。 4つの多種多様なコホートと7つの臨床予測タスクにおいて、GlucoFMは評価ベースラインの中で最強の主観差線形探索性能を達成し、最高のCGM固有の基礎モデルよりも平均PR-AUCを4.1ポイント改善した。 コアメタボリックな結果が最も顕著であり、全ての糖尿病リスクとβ$-cell機能障害タスクでPR-AUC、インスリン耐性タスクで4つのうち3つがPR-AUCとなっている。 また、GlucoFMは、評価対象レベルの予測に数日を要し、生理的・意識的な分解を伝達可能なCGM表現学習の効果的な帰納的バイアスとして強調することで、評価手法間で最高のクロスデータセット転送性能と強力な少数ショット適応を実現している。

関連論文リスト

• Evaluating Time-Series Foundation Models and Multimodal Dietary Context for CGM Forecasting [14.534275200164712]
  我々は,1型糖尿病,2型糖尿病,非糖尿病の8つの公的CGMデータセットを用いて調査を行った。 基盤モデルは、Elastic NetやPatchTSTのような強力なタスク固有のベースラインを一貫して上回らなかった。 微調整されたクロノス・ボルトは、T1DコホートでRMSEを6.5%-18.4%、非糖尿病/T2Dコホートで8.6%-18.2%削減した。 残基核融合フレームワークは, RMSE全体を約3%, 後RMSEを約15%削減した。
  論文  参考訳（メタデータ） (2026-09-10T17:43:29Z)
• Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
  外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T07:06:52Z)
• GlucoFM-Bench: Benchmarking Time-Series Foundation Models for Blood Glucose Forecasting [6.427581905332425]
  GlucoFM-Benchは、血糖予測のための最先端基礎モデルを評価するベンチマークである。 我々は、事前訓練されたTSFM、時系列大言語モデル、タスク固有のディープラーニングモデルを含む8つの代表的なアーキテクチャを評価する。 データセット全体にわたって、事前訓練されたTSFMは、強力なゼロショットと少数ショットの転送を示し、最高のゼロショットモデルは、最高のフルショット監視モデルの5%以内に機能する。
  論文  参考訳（メタデータ） (2026-06-05T03:49:26Z)
• SSM-CGM: Interpretable State-Space Forecasting Model of Continuous Glucose Monitoring for Personalized Diabetes Management [0.6481500397175589]
  連続グルコースモニタリング(CGM)は、糖尿病管理に不可欠な高密度なデータストリームを生成する。 我々は,マンバをベースとしたCGMとウェアラブル活動信号を統合したニューラルステートスペース予測モデルであるSSM-CGMを提案する。
  論文  参考訳（メタデータ） (2025-10-05T22:37:28Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• AttenGluco: Multimodal Transformer-Based Blood Glucose Forecasting on AI-READI Dataset [8.063401183752347]
  糖尿病は、持続的な高血糖値(BGL)を特徴とする慢性代謝異常である 近年のディープラーニングモデルでは,BGL予測の改善が期待できる。 本研究では,長期血糖予測のためのマルチモーダルトランスフォーマーベースのフレームワークであるAttenGlucoを提案する。
  論文  参考訳（メタデータ） (2025-02-14T05:07:38Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• A Large Sensor Foundation Model Pretrained on Continuous Glucose Monitor Data for Diabetes Management [3.8195320624847833]
  CGM-LSMはトランスフォーマーデコーダをベースとしたLarge Sensor Model (LSM) で, 糖尿病, 年齢, 性別の異なる患者から160万のCGMレコードを事前訓練した。 CGMデータに埋め込まれた潜伏知識を学習するために, 患者をグルコース時間ステップのシーケンスとしてモデル化し, 2時間水平線での血糖値の予測に応用する。 従来の方法と比較して、CGM-LSMは予測精度とロバスト性を大幅に改善し、1時間水平線予測におけるルート平均2乗誤差を48.51%削減し、保持された患者群間で一貫したゼロショット予測性能を向上した。
  論文  参考訳（メタデータ） (2024-12-12T21:35:13Z)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
  本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data [0.0]
  連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。 将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
  論文  参考訳（メタデータ） (2023-02-24T19:10:40Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。