A Google bemutatta a GlucoFM modellt a folyamatos glükózmonitorozáshoz

Mit próbál megoldani a GlucoFM?

A folyamatos glükózmonitorok, vagyis CGM eszközök néhány percenként mérik a bőr alá helyezett kis szenzorral az intersticiális glükózszintet. A Google Research bejegyzése szerint ezek az adatok kiegészítik a fogyasztói viselhető eszközök mozgásra és fiziológiai jelekre épülő becsléseit, mert közvetlenebb képet adnak a glükózszabályozásról.

A nyers CGM görbék értelmezése ugyanakkor nehéz, különösen akkor, ha kevés a jó minőségű klinikai címke, amely segítene megmondani, mit jelentenek a mintázatok. A Google Research szerint több meglévő CGM alapmodell, köztük a CGMformer, a GluFormer és a CGM-JEPA egyetlen reprezentációs folyamban dolgozza fel a glükózadatokat.

A GlucoFM ezzel szemben két külön adatfolyamot használ. Az egyik a lassabb glikémiás trendeket, a másik a rövid távú eltéréseket modellezi. A Google Research szerint ezek az eltérések étkezésből, aktivitásból vagy szenzorhibákból is eredhetnek. A modell közben megőrzi a napszakra és a hiányzó adatokra vonatkozó információkat is.

Önfelügyelt tanítás 109 066 órányi CGM adaton

A GlucoFM önfelügyelt, könnyűsúlyú alapmodell. A Google Research 109 066 órányi címkézetlen CGM adaton tanította elő a rendszert, a Wear-CGM és négy publikált adatkészlet alapján. A forrás szerint ez összesen 477 résztvevői vagy mérési munkamenet rekordot jelentett.

A CGM felvételek tartalmazhatnak adathiányt, eltérő mintavételezési intervallumokat és szenzoros műtermékeket. A GlucoFM minden felvételt 24 órás, ötperces rácshoz igazít, és megtart egy megfigyelési maszkot, hogy a ténylegesen mért és a hiányzó pozíciók elkülönüljenek.

A modell nem a pontos nyers glükózértékek visszaállítására törekszik, mivel azokat mérési zaj és szenzoros műtermékek befolyásolhatják. Ehelyett látens prediktív előtanítást használ két feladattal. A kontextuális predikció során a napi glükózsorozat egyes részeit elrejti, majd a környező kontextusból próbálja megjósolni azok látens reprezentációit. A temporális dinamika feladatban azt tanulja, hogyan változik egy ember stabil alapvonala és rövid távú eltérései egyik óráról a másikra.

A Google Research emellett CGM-specifikus adatnöveléseket is alkalmazott, például alapvonal-eltolódást, kompresszióhoz hasonló eséseket, ritkább mintavételezést és rövid leválásokat. A cél az volt, hogy a modell olyan változásokkal és hiányokkal találkozzon, amelyek valós CGM felvételekben is előfordulnak.

Hét klinikai feladatban és étkezés utáni előrejelzésben tesztelték

A Google Research négy kohorszon értékelte a GlucoFM-et: CGMacros, Stanford, Hall és ShanghaiT2DM. A vizsgálat hét klinikai előrejelzési feladatot fedett le: diabéteszkockázat, inzulinrezisztencia, béta-sejt diszfunkció, hiperlipidémia, hipoglikémia, elhízás és glucotype. Ez összesen 14 kohorsz, feladat értékelést jelentett.

A forrás szerint a GlucoFM átlagos PR-AUC értéke 5,8 százalékponttal volt magasabb, mint a legjobban teljesítő, ugyanazon korpuszon előtanított GluFormer-változaté. Egy másik, részletesen közölt összevetésben a GlucoFM a legerősebb, ugyanazon adatokon újratanított CGM-specifikus kiindulási modell 54,7-es átlagos PR-AUC értékét 58,8-ra növelte. Ez 4,1 pontos abszolút javulás, a Google Research számítása szerint nagyjából 7,5 százalék relatív növekedés.

A PR-AUC alapján a GlucoFM minden diabéteszkockázati és béta-sejt diszfunkciós értékelésben az első helyen végzett, továbbá a négy inzulinrezisztencia-értékelésből háromban is vezetett.

A kutatók külön vizsgálták az étkezés utáni glikémiás választ, vagyis a postprandial glycemic response, PPGR előrejelzését is. Ehhez 34 résztvevő 874 párosított étkezési eseményét értékelték, résztvevő szerint szétválasztott keresztvalidációval. A Dexcom és Libre CGM eszközöket külön modellezték, azonos felosztások mellett.

A teljes kontextussal, amely tartalmazta többek között az étkezés előtti egyórás CGM adatokat, az étkezés tápanyagadatait, az éhomi glükózt, a BMI-t és a diabéteszstátuszt, a GlucoFM érte el a legalacsonyabb átlagos MAE értéket: 21,88 mg/dL-t. A legjobb kiindulási modell 22,90 mg/dL-t, a tanítóhalmaz átlagán alapuló kiindulási módszer 27,69 mg/dL-t ért el.

Több nap adata erősítheti az előrejelzést

A Google Research azt is vizsgálta, hogy a többnapos CGM megfigyelés javítja-e a személyszintű előrejelzést. A GlucoFM minden napot külön kódolt, majd legfeljebb hét nap reprezentációit átlagolta, úgy, hogy minden résztvevő azonos súllyal szerepeljen.

A forrás szerint a további napok a legtöbb beállításban javították a PR-AUC értéket a legtöbb adatkészleten. A Stanford béta-sejt diszfunkciós feladatban 9,6 pontos, a Hall diabétesz-előrejelzésben 14,0 pontos javulást mértek. A CGMacros esetében a Dexcom, Libre és összevont szenzoradatokon is többnyire pozitív változásokat láttak.

A ShanghaiT2DM inzulinrezisztencia-feladat volt a fő kivétel az egyszerű átlagolás mellett. A Google Research ebből arra következtet, hogy az optimális aggregálási stratégia feladatonként eltérhet. A közölt eredmények alapján a GlucoFM fagyasztott napi reprezentációi a kódoló újratanítása nélkül is kombinálhatók személyszintű előrejelzéshez.

Mit jelenthet ez a CGM adatok használatában?

A bejelentés jelentősége abban áll, hogy a Google Research szerint a GlucoFM korlátozott címkézett adat mellett is hasznos, átvihető reprezentációkat adhat CGM idősorokból. A vizsgált feladatok a diabéteszkockázattól az inzulinrezisztencián át az étkezés utáni glükózgörbe előrejelzéséig terjedtek.

A modell egyik gyakorlati ígérete, hogy a CGM adatokból nem csak egy-egy pillanatnyi értéket próbál értelmezni, hanem külön kezeli a lassabb alapmintázatokat és a rövid távú eseményeket. Ez a forrás alapján különösen akkor lehet fontos, ha kevés a címkézett klinikai adat, vagy új kohorszra kell átvinni a megtanult reprezentációkat.

A Google Research azt írja, hogy a GlucoFM a legjobb összesített keresztadatkészletes átviteli teljesítményt érte el, és erős few-shot adaptációt mutatott akkor is, amikor egy új kohorszból vagy címkézett résztvevőkből rendkívül kevés adat állt rendelkezésre. A cég közlése alapján ez a CGM adatok szélesebb körű, klinikai előrejelzési célú elemzéséhez adhat új eszközt.