Google place GlucoFM devant les modèles concurrents

Google présente GlucoFM le 26 août 2026 comme un modèle fondation léger pour la surveillance continue du glucose. Le système apprend à partir de données CGM non étiquetées. Il sépare les tendances glycémiques lentes des écarts de courte durée. Cette architecture conserve aussi l’heure de la journée et les positions manquantes. Google l’a évalué sur sept tâches cliniques. 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 comprend 14 couples cohorte-tâche. Les auteurs ont également testé la prévision de la réponse glycémique après un repas. Lire l’annonce de Google Research.

Les données couvrent plusieurs cohortes GlucoFM a été préentraîné sur 109 066 heures de données CGM. Ces données proviennent de Wear-CGM et de quatre jeux publiés. L’ensemble représente 477 enregistrements de participants ou de sessions. Les capteurs CGM mesurent le glucose interstitiel toutes les quelques minutes. Les enregistrements peuvent toutefois contenir des trous, des intervalles différents et des artefacts. GlucoFM aligne chaque série sur une grille de 24 heures, avec un pas de cinq minutes. Un masque distingue les mesures observées des positions non observées. Le modèle utilise ensuite deux objectifs prédictifs dans l’espace latent. Il apprend le contexte quotidien et l’évolution des signaux d’une heure à l’autre. Voir l’article scientifique.

GlucoFM améliore les scores métaboliques

Les résultats favorisent GlucoFM Le modèle obtient un PR-AUC moyen de 58,8 sur les 14 évaluations. Le meilleur modèle CGM spécifique réentraîné sur les mêmes données atteint 54,7. L’écart absolu atteint donc 4,1 points. GlucoFM arrive en tête pour toutes les évaluations du risque de diabète. Il arrive aussi en tête pour toutes celles du dysfonctionnement des cellules bêta. Le modèle domine trois des quatre évaluations de résistance à l’insuline. Google compare également GlucoFM à une variante de GluFormer préentraînée sur le même corpus. Son PR-AUC moyen dépasse celui de cette variante de 5,8 points. Ces résultats concernent des représentations gelées et des tests séparant les participants.

La prévision après repas GlucoFM a aussi prédit des trajectoires glycémiques de deux heures après un repas. L’évaluation porte sur 874 événements alimentaires associés à 34 participants. Les données proviennent de capteurs Dexcom et Libre. Les chercheurs ont utilisé les mêmes découpages pour les deux appareils. Le contexte complet combine une heure de CGM avant le repas, les informations nutritionnelles et des données individuelles. Ces données comprennent l’énergie, les glucides, les lipides, les protéines, les fibres, la glycémie à jeun, l’IMC et le statut diabétique. GlucoFM obtient une erreur absolue moyenne de 21,88 mg/dL. Le meilleur modèle concurrent atteint 22,90 mg/dL, contre 27,69 mg/dL pour la moyenne d’entraînement.

Google teste le transfert entre cohortes

Le transfert reste performant Google a testé GlucoFM entre les cohortes CGMacros, Stanford, Hall et ShanghaiT2DM. Le modèle mène 11 des 12 évaluations de transfert consacrées au risque de diabète et à la résistance à l’insuline. Son avantage sur le deuxième modèle varie de 0,5 à 8,6 points de PR-AUC. GlucoFM perd une évaluation de 0,6 point. Son PR-AUC absolu va de 61,6 % pour les tâches Stanford vers Hall à 90,0 % pour la résistance à l’insuline de Hall vers CGMacros. Les chercheurs ont aussi combiné jusqu’à sept journées de données. Cette agrégation améliore souvent le PR-AUC, avec des gains de 9,6 points à Stanford et de 14,0 points à Hall. Google prévoit d’entraîner le modèle sur des populations plus grandes et diversifiées.