GlucoFM：用于连续血糖监测的双流基础模型

连续血糖监测 (CGM) 提供了日常代谢生理学的密集视图，但现有的通用时间序列和 CGM 特定基础模型通常将葡萄糖痕迹编码为纠缠的单流序列，使其多尺度时间结构仅隐式建模。我们提出了 GlucoFM，一种轻量级 CGM 基础模型，它将不规则记录与 24 小时时间网格对齐，保留观察掩模，并将血糖动态分解为缓慢变化的血糖趋势和短期偏差流。 GlucoFM 对来自 477 名受试者的 109,066 小时未标记 CGM 记录进行了预训练，对融合的日常表示进行了屏蔽上下文潜在预测，并对两个流进行了时间动态预测。冻结的融合前探针证实了不同的时间重点：状态词元优先保留每小时的血糖水平，而事件词元更好地保留短期变化。在四个不同的队列和七个表型分类任务中，GlucoFM 在评估的基线中实现了最强的受试者不相交线性探测性能，与最佳 CGM 特定基础模型相比，平均 PR-AUC 提高了 4.1 个点，同时还支持强大的跨数据集传输和少样本适应。其收益在核心代谢结果上最为明显，在所有糖尿病风险和 $β$ 细胞功能障碍任务以及 4 项胰岛素抵抗任务中的 3 项上领先 PR-AUC。除了表型分析之外，当与最近的 CGM、膳食营养和受试者背景相结合时，同一冷冻编码器在轨迹、曲线下增量面积、峰值上升和峰值时间的评估方法中实现了最低的餐后两小时血糖反应误差。总之，这些结果表明 GlucoFM 学习可重复使用的冷冻 CGM 表示，涵盖代谢表型和上下文条件葡萄糖反应预测。