Google montre que GlucoFM surclasse le modèle de référence

Google présente GlucoFM. Le modèle de fondation analyse des données de surveillance continue du glucose. Google Research l’a conçu avec une architecture légère et auto-supervisée. Son objectif consiste à représenter séparément les tendances glycémiques lentes et les écarts de courte durée. L’équipe a évalué GlucoFM sur quatre cohortes et sept tâches de prédiction clinique. Ces tâches couvrent le risque de diabète, la résistance à l’insuline, le dysfonctionnement des cellules bêta, l’hyperlipidémie, l’hypoglycémie, l’obésité et le glucotype. L’évaluation représente 14 combinaisons entre cohortes et tâches. Les résultats sont présentés dans l’article de Google Research et dans la publication arXiv.

Les données structurent l’analyse. Un capteur CGM mesure le glucose interstitiel toutes les quelques minutes. Ces mesures couvrent notamment les périodes de jeûne, la nuit et les repas. Les enregistrements peuvent toutefois contenir des interruptions, des intervalles variables et des artefacts de capteur. GlucoFM aligne chaque série sur une grille de 24 heures, avec une mesure toutes les cinq minutes. Le modèle conserve aussi un masque distinguant les positions observées des positions absentes. Son encodeur sépare une composante d’état, associée aux tendances lentes, d’une composante résiduelle, associée aux écarts rapides. Ces écarts peuvent correspondre à la physiologie, au comportement ou aux artefacts de mesure.

Google entraîne deux flux glycémiques

Un préentraînement sans annotation. Google Research a préentraîné GlucoFM sur 109 066 heures de données CGM non annotées. Le corpus regroupe 477 enregistrements de participants ou de sessions. Il rassemble les données Wear-CGM et quatre jeux de données publiés. Le modèle ne reconstruit pas directement chaque valeur brute du glucose. Il prédit plutôt des représentations latentes à partir de portions masquées d’une séquence quotidienne. Un second objectif lui fait prévoir l’évolution de l’état de base et des écarts courts d’une heure à l’autre. Des augmentations simulent aussi une dérive de référence, des baisses compressées, un échantillonnage moins dense et de brèves déconnexions.

Les performances progressent. Sur les 14 évaluations, GlucoFM atteint une PR-AUC moyenne de 58,8. Le meilleur modèle CGM de référence, réentraîné sur les mêmes données, atteint 54,7. L’écart absolu atteint donc 4,1 points, soit environ 7,5 % relativement à cette référence. GlucoFM arrive en tête dans toutes les évaluations du risque de diabète et du dysfonctionnement des cellules bêta. Il arrive aussi en tête dans trois des quatre évaluations de résistance à l’insuline. Pour les réponses glycémiques après repas, l’équipe a étudié 874 repas de 34 participants. Avec les appareils Dexcom et Libre, GlucoFM obtient une erreur absolue moyenne de 21,88 mg/dL.

GlucoFM transfère mieux ses représentations

Le transfert teste la robustesse. L’équipe a entraîné des classificateurs sur une cohorte, puis évalué leur performance sur une autre. GlucoFM domine le meilleur modèle concurrent dans 11 des 12 évaluations de transfert consacrées au risque de diabète et à la résistance à l’insuline. Son avantage varie de 0,5 à 8,6 points de PR-AUC. Le modèle reste derrière une fois, avec un écart de 0,6 point. Sa PR-AUC absolue varie de 61,6 % pour deux tâches Stanford vers Hall à 90,0 % pour la résistance à l’insuline de Hall vers CGMacros. Ces résultats portent sur des représentations d’encodeur conservées sans réentraînement complet.

Les jours renforcent certains scores. GlucoFM encode chaque journée séparément, puis moyenne les représentations sur un maximum de sept jours. Cette agrégation améliore la PR-AUC dans la plupart des situations étudiées. Le gain atteint 9,6 points pour le dysfonctionnement des cellules bêta dans Stanford. Il atteint 14,0 points pour la prédiction du diabète dans Hall. CGMacros présente également des gains généralement positifs avec les données Dexcom, Libre et les données fusionnées. La résistance à l’insuline dans ShanghaiT2DM constitue l’exception principale avec cette moyenne simple. L’équipe indique que la meilleure méthode d’agrégation peut donc varier selon la tâche étudiée.