Fugu-MT 論文翻訳(概要): Evaluating Time-Series Foundation Models and Multimodal Dietary Context for CGM Forecasting

論文の概要: Evaluating Time-Series Foundation Models and Multimodal Dietary Context for CGM Forecasting

arxiv url: http://arxiv.org/abs/2609.11872v1
Date: Thu, 10 Sep 2026 17:43:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 23:53:35.47224
Title: Evaluating Time-Series Foundation Models and Multimodal Dietary Context for CGM Forecasting
Title（参考訳）: CGM予測のための時系列基礎モデルとマルチモーダル食事コンテキストの評価
Abstract要約: 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。
参考スコア（独自算出の注目度）: 14.534275200164712
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Continuous glucose monitoring (CGM) provides high-frequency measurements of glucose dynamics and enables short-term glucose forecasting for diabetes management. Although time-series foundation models have shown strong general forecasting ability, their effectiveness for CGM prediction and the added value of multimodal dietary context remain unclear. We conduct a comprehensive empirical study using eight public CGM datasets spanning Type 1 diabetes, Type 2 diabetes, and non-diabetes populations. Under a unified protocol across multiple context lengths and prediction horizons, zero-shot foundation models did not consistently outperform strong task-specific baselines such as Elastic Net and PatchTST. In contrast, lightweight fine-tuning substantially improved forecasting performance. For example, fine-tuned Chronos-Bolt reduced RMSE by 6.5%-18.4% in the T1D cohort and by 8.6%-18.2% in the non-diabetes/T2D cohort, with comparable improvements in both in-distribution and out-of-distribution test settings. We further evaluate multimodal dietary context using CGMacros, which provides temporally aligned CGM signals, food images, and macronutrient records. A residual-based fusion framework reduced overall RMSE by approximately 3% and postprandial RMSE by approximately 15% relative to the CGM-only baseline. Moreover, Chronos-based CGM representations were more strongly correlated with observed postprandial glucose increments than representations from LSTM and CatBoost, even after those models incorporated additional dietary modalities, suggesting that pretrained temporal representations better preserve meal-induced excursion patterns. These findings show that foundation models require CGM-specific adaptation for reliable forecasting and that dietary context provides clinically meaningful signals beyond CGM alone, especially during postprandial periods.
Abstract（参考訳）: 連続グルコースモニタリング(CGM)は、血糖動態の高周波測定を提供し、糖尿病管理のための短期的な血糖予測を可能にする。時系列基礎モデルでは, 予測能力は高いが, CGM予測の有効性と多モーダル食事コンテキストの付加価値はいまだに不明である。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た総合的研究を行った。複数のコンテキスト長と予測地平線にまたがる統一されたプロトコルの下では、ゼロショット基盤モデルは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。対照的に、軽量な微調整は予測性能を大幅に改善した。例えば、微調整されたクロノス・ボルトは、RMSEをT1Dコホートで6.5%-18.4%、非糖尿病/T2Dコホートで8.6%-18.2%削減した。さらに、CGMacrosを用いて、CGM信号、食品画像、マクロ栄養記録を時間的に整列させるマルチモーダル食事状況を評価する。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。さらに,CGMの表現はLSTMおよびCatBoostの表象よりも前頭葉グルコース増量と強く相関していた。これらの結果から, 基礎モデルは信頼性予測にCGM固有の適応が必要であり, 食事コンテキストはCGM以外の臨床的に有意なシグナルをCGM単独で与えていることが示唆された。

関連論文リスト

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)
GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring [12.757891952959987]
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。
論文参考訳（メタデータ） (2026-05-29T05:46:35Z)
GlyRAG: Context-Aware Retrieval-Augmented Framework for Blood Glucose Forecasting [3.494950334697973]
GlyRAGは、CGMトレースから直接血糖値のセマンティック理解を導き出す、文脈対応、検索強化予測フレームワークである。 GlyRAGは最先端の手法を一貫して上回り、RMSEは最大で39%低下し、RMSEはベースラインよりもさらに1.7%減少する。
論文参考訳（メタデータ） (2026-01-08T20:07:59Z)
Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation [51.12307713554633]
TSODEは、Thompson RL SmplingとNeural Ordinary Differential Equation forecasterを統合した安全対応のコントローラである。 FDAが承認したUVa/Padovaシミュレータ(adult cohort)では、TSODEは87.9%のタイムインレンジを達成した。
論文参考訳（メタデータ） (2025-11-16T02:11:33Z)
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)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文参考訳（メタデータ） (2023-05-02T14:34:34Z)
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文参考訳（メタデータ） (2020-12-08T21:21:47Z)
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。