消费级可穿戴设备通过运动和生理传感器来估算活动量与睡眠状况，但这些信号只能间接反映血糖调节情况。连续血糖监测仪（CGM）通过植入皮下的微型传感器每隔几分钟追踪一次组织间液葡萄糖浓度，弥补了上述不足，能够捕捉空腹、夜间及餐后的血糖变化规律。然而，解读这些数据仍面临挑战，尤其是在高质量临床标注数据稀缺且获取成本高昂的情况下。
现有的CGM基础模型——包括CGMformer、GluFormer和CGM-JEPA——通常通过单一表征流处理血糖数据，而非显式区分缓慢的基线动态与短暂的事件动态。但CGM并非无差别的数据流：它包含相对缓慢的基线模式，以及由进餐、运动或传感器伪影引发的短期偏差。如果能利用日常CGM数据，在有限标注数据的条件下估算糖尿病风险、胰岛素抵抗和β细胞功能障碍，将具有重要意义。
为此，我们构建了GlucoFM——一个采用双流设计的自监督基础模型，能够将较慢的血糖趋势与短期偏差分离建模，同时保留时间信息与缺失值标记。潜在预测目标进一步学习其日常上下文与时序演变规律。我们在四个不同队列的七项临床预测任务上对GlucoFM进行了评估，涵盖糖尿病风险、胰岛素抵抗、β细胞功能障碍、高脂血症、低血糖、肥胖和血糖类型，共14项队列-任务评估。结果显示，GlucoFM的PR-AUC平均比表现最佳的GluFormer变体高出5.8个百分点（两者均在相同语料库上预训练）。在PR-AUC指标上，GlucoFM在所有糖尿病风险和β细胞功能障碍评估中均排名第一，并在四项胰岛素抵抗评估中的三项中领先。此外，我们还评估了GlucoFM在餐后血糖反应（PPGR）预测方面的表现，在相同输入和评估协议下，GlucoFM在两款CGM设备（Dexcom和Libre）上的平均绝对误差（MAE）均为最低。GlucoFM还实现了最佳的跨数据集迁移性能，并展现出强大的小样本适应能力，即便在新队列或标注样本极为有限的情况下也表现出色。
预训练数据与模型设计
我们在来自Wear-CGM及四个公开数据集的109,066小时无标注CGM数据上对GlucoFM进行了预训练，共涉及477条参与者/会话记录。
CGM记录可能存在数据缺口、不同采样间隔和传感器伪影等问题。GlucoFM将每条记录对齐至24小时、5分钟间隔的网格，并保留观测掩码，以区分已测量和未观测的位置。其双流编码器将低频状态分量（代表较慢的血糖趋势）与残差事件分量（捕捉由生理、行为或传感器伪影引起的短期偏差）分离处理。
GlucoFM不直接重建原始血糖读数（该读数易受测量噪声和传感器伪影影响），而是采用两个互补任务进行潜在预测预训练。此外，CGM感知数据增强引入了基线漂移、压缩式下降、稀疏采样和短暂断连等变化，使模型能够适应真实CGM记录中的各种变异和缺失情况。
临床预测任务评估
我们在四个队列（CGMacros、Stanford、Hall和ShanghaiT2DM）的七项临床预测任务上对GlucoFM进行了评估，并单独评估了两小时餐后血糖反应预测。具体而言，我们考察了以下问题：冻结表征对未见参与者的单个24小时窗口是否具有信息价值；这些表征是否能为餐后血糖轨迹预测提供有效的历史上下文；多天数据的融合是否能改善受试者级别的预测；表征向新队列的迁移效果如何；以及在标注数据有限时的适应能力。
我们首先采用受试者不重叠的窗口级线性探测方法：冻结每个模型的编码器，在单个24小时表征上训练线性分类器，并确保训练集和测试集中不出现同一参与者。
GlucoFM在所有评估方法中取得了最高的任务平均PR-AUC。在14项队列-任务评估中，其平均PR-AUC从最强CGM专用基线的54.7提升至58.8，绝对提升4.1个百分点，相对提升约7.5%。GlucoFM在所有糖尿病风险和β细胞功能障碍评估以及四项胰岛素抵抗评估中的三项中均取得最高PR-AUC。
餐后血糖反应预测
为测试GlucoFM在动态预测任务上的表现，我们利用每次记录餐食前的可用信息，预测相对于餐食开始值的完整两小时血糖变化轨迹。我们对34名参与者的874个配对餐食事件进行了受试者不重叠的交叉验证评估，Dexcom和Libre两款CGM设备在相同划分下分别建模。
通过逐步融合冻结模型表征、餐前一小时CGM数据、餐食营养信息（包括能量、碳水化合物、脂肪、蛋白质和膳食纤维）以及参与者级别信息（如空腹血糖、BMI和糖尿病状态），GlucoFM在完整上下文下取得了最低的平均MAE：21.88 mg/dL，优于最佳基线的22.90 mg/dL和训练折均值基线的27.69 mg/dL。这表明GlucoFM能够为餐后血糖变化预测提供有效的历史上下文信息。
多天数据融合
单个24小时记录可能无法完整反映一个人的血糖模式，因此我们测试了融合多天数据是否能改善受试者级别的预测。GlucoFM对每天数据单独编码，并对最多七天的表征取平均，每位参与者贡献相同权重。
结果显示，在大多数数据集的大多数任务中，增加天数均能提升PR-AUC，其中Stanford β细胞功能障碍提升9.6个百分点，Hall糖尿病预测提升14.0个百分点。CGMacros在Dexcom、Libre和融合传感器数据上也大多呈现正向提升。ShanghaiT2DM胰岛素抵抗在简单平均策略下是主要例外，表明最优聚合策略因任务而异。总体而言，GlucoFM的冻结日级表征可通过融合多天数据来增强受试者级别的预测，无需重新训练编码器。
Q&A
Q1：GlucoFM是什么？它与其他CGM基础模型有何不同？
A：GlucoFM是一个轻量级自监督连续血糖监测基础模型，其核心创新在于采用双流设计，将较慢的血糖基线趋势与短期偏差分离建模，同时保留时间信息和缺失值标记。相比之下，CGMformer、GluFormer等现有模型通常通过单一表征流处理血糖数据，未能显式区分这两类动态。GlucoFM在14项队列-任务评估中，PR-AUC平均比最佳GluFormer变体高出5.8个百分点。
Q2：GlucoFM能预测哪些健康指标？
A：GlucoFM可用于多项代谢健康预测任务，包括糖尿病风险评估、胰岛素抵抗检测、β细胞功能障碍识别、高脂血症、低血糖、肥胖判断以及血糖类型分类。此外，它还能预测餐后两小时的完整血糖变化轨迹，在Dexcom和Libre两款设备上均取得了最低的平均绝对误差（21.88 mg/dL）。
Q3：GlucoFM在数据有限的情况下表现如何？
A：GlucoFM展现出强大的小样本适应能力和跨数据集迁移性能。即便在新队列或标注样本极为有限的情况下，其冻结表征仍能有效支持下游任务。研究还发现，融合多天CGM数据（最多七天）可进一步提升受试者级别的预测效果，在部分任务中PR-AUC提升幅度超过14个百分点，且无需重新训练编码器。
