Googleが血糖値カーブを2つの流れに分解、GlucoFMが代謝ヘルスを読み解く

1本の血糖値曲線を、2つの流れに分解

2026年8月26日、Google ResearchとUNSW Sydneyが共同でGlucoFMを発表した。自教師あり基礎モデル（大規模データで事前学習され、多様なタスクに適応できるモデル）だ。連続血糖モニタリング（CGM）データを「遅い生理学的傾向」と「短期変動」という2つの独立した流れに分解し、それぞれを個別にモデル化する。

GlucoFMの中核設計はデュアルストリームエンコーダーだ。一方は低周波の「状態」成分を処理し、血糖の緩やかなベースライン変化を表す。もう一方は「残差事象」成分を処理し、食事・運動・センサーアーチファクトによる短時間の偏差を捉える。入力は24時間・5分間隔のグリッドに整列され、観測マスクが保持されるため、モデルはどこに実データがあるか把握できる。この構造は既存のCGMモデルとは異なる。CGMformer、GluFormer、CGM-JEPAはいずれも血糖系列を単一のストリームとして扱い、速い成分と遅い成分を明示的に分離していない。

評価は4コホート・7臨床タスク（計14のコホート×タスク組み合わせ）で実施した。GlucoFMの平均PR-AUCは、同一の事前学習コーパスで再学習された最強のCGM専用ベースラインより4.1ポイント高い（54.7→58.8、相対+7.5%程度）。糖尿病リスク評価とβ細胞機能障害判定ではすべての比較でリード。インスリン抵抗性評価では4項目中3項目でトップとなった。さらに高脂血症、低血糖、肥満、グルコタイプの分類も評価した。本プロジェクトは研究段階であり、重みは未公開である。

CGMデータは均一ではない——2つの流れに分けて学ぶ

Google ResearchとUNSW Sydneyが発表したGlucoFMは、血糖値曲線を遅い生理学的「状態」と瞬間的な「事象」の2つの流れに分解する。シンプルな核心は、同じチャネルにまとめて処理しないことだ。

連続血糖モニターは数分ごとに間質液のグルコース濃度を記録する。CGM（皮下センサーで数分ごとに血糖値を連続的に測定する仕組み）だ。

しかしこの曲線は均一ではない。緩やかに変化するベースライン（空腹時や夜間パターンなど）と、急激な変動による偏差（食事・運動・センサーノイズに由来）が含まれている。従来の主流モデル——CGMformer、GluFormer、CGM-JEPA——は、エンコーダー1つで系列全体を処理していた。

Google ResearchとUNSW Sydneyの研究者たちは、これが正しくないと考えた。ベースラインパターンと事象パターンは2種類の異なる生理学的シグナルであり、一緒に学習させると互いに干渉する。

GlucoFMは1本のCGM軌跡を2つの流れに分解する。一方は遅い生理学的「状態」を捉え、もう一方は瞬間的な「事象」を捉える。両方の流れにタイムスタンプと欠損フラグを残し、それぞれにJEPA風の目的関数を用いた自己教師あり学習の事前学習を行う（データ自体の構造から学習する手法で、人工ラベルが不要）。これにより、事前学習段階で「この人の空腹時血糖ベースラインはいくらか」と「さっきの食事でどの程度上昇したか」を区別できるようになる。

デュアルストリーム設計はラベル付きデータの要件を削減する。従来は大量の臨床ラベルが必要だったが、GlucoFMは未ラベルデータでの事前学習後、少量のサンプルでファインチューニングするだけで（事前学習済みモデルに少量のタスク特化データで追加学習を行い、新タスクに適応させること）新タスクに転移できる。Googleは論文で、糖尿病リスク評価、インスリン抵抗性、β細胞機能障害など7つの臨床予測タスクで前述の性能向上を達成したと報告している。

重要なのは、GlucoFMが大きなモデルで勝利したわけではない点だ。業界メディアAgent5の報道によれば、エンコーダーのパラメータはわずか0.72M。公式ブログはパラメータ数を明かしておらず、完全な重みも公開されておらず、第三者による再現検証もない。デュアルストリーム戦略があらゆるシナリオで単一ストリームより優れているかは、独立検証が必要だ。

軽量設計で、なぜ勝てるのか

Google Researchが発表したGlucoFMは、14のコホート×タスク評価で平均PR-AUC（適合率-再現率曲線下面積。予測のランキング品質を測る指標）が最強のCGM専用ベースラインより4.1ポイント高い。モデルのサイズは？Agent5によれば、学習可能パラメータはわずか0.72Mだ。

これまでの連続血糖モニタリング（CGM）データ向け基礎モデル（大規模データで事前学習され、多様なタスクに適応する汎用モデル）は、血糖値曲線全体を1本の流れとして学習していた。GlucoFMは違うアプローチを取る。自己教師あり（人手ラベルを使わず、データ自体からパターンを学習する）事前学習により、曲線を2つの流れに分解する。一方は遅い生理学的「状態」、もう一方は短い「事象」変動だ。分解することで、各流れはよりシンプルなタスクだけを学べばよくなる。

分解しても情報は失われず、むしろ勝利につながった。4コホート・7臨床タスクで、GlucoFMのPR-AUCは最強ベースラインより平均4.1ポイント高い。糖尿病リスクとβ細胞機能障害のすべての評価で1位。インスリン抵抗性の4評価中3つで勝利した。

業界メディアの報道によれば、0.72Mというパラメータ数は基礎モデルとしては異常に小さい。勝利できたのはおそらく、デュアルストリーム構造が問題を2つのより簡単なサブ問題に分割するためだ。一方の流れが「今日の血糖の基调」を学び、もう一方が「いま何が起こったか」を学ぶ。

デバイス横断でも一貫した結論が得られている。研究者らはDexcomとLibreという2大CGMデバイスでそれぞれモデルを構築し、食後血糖予測の平均絶対誤差は両デバイスとも最低の21.88 mg/dLで、最良ベースラインの22.90を下回った。この結論はGoogle自身の報告によるもので、第三者による再現検証はまだない。

コホート間転移：少量ラベルで代謝予測は成り立つか

GlucoFMの試験課題は転移にある。事前学習で学んだことを新しいコホートに移し、ラベルが少量しか残っていない状況でも機能するかどうか。4コホート・7タスクの成績表が、その判断材料だ。

血糖値曲線だけ見ても、その人のインスリン抵抗性の程度はわからない。这类の代謝指標を判断するには臨床検査によるラベリングが必要である。論文も「高品質な臨床ラベルは希少で高コスト」としている。現実では、ラベル付きCGMデータの収集コストは、血糖値曲線そのものを集めるコストよりはるかに高い。

GlucoFMがラベル要件を抑える方法は、まず「パターン」をクリーンに学ぶことだ。これは基礎モデル（海量データで事前学習され、多様な下流タスクに適応可能）であり、自己教師あり（人手ラベル不要で、データ自体から直接パターンを見つける）方式で事前学習される。ラベルを見ず、血糖値曲線の日内コンテキストと時間的推移を自己予測する。事前学習後、新しいコホートでは少量のラベルサンプルだけで適応できる——これがFew-shot（極少量のラベルで新タスクを学ぶ）の意味だ。

成績表は4つの異なるコホート・7つの臨床タスク（糖尿病リスク、インスリン抵抗性、β細胞機能障害、高脂血症、低血糖、肥満、グルコタイプ）、計14のコホート×タスク組み合わせに由来する。同一コーパスで再学習された最高性能のCGM専用ベースラインと比べ、GlucoFMの平均PR-AUC（予測のランキング品質を測る指標。サンプル不均衡時に特に信頼性が高い）は4.1ポイント高い。糖尿病リスクとβ細胞機能障害のすべての評価で首位、インスリン抵抗性の4評価中3つで勝利している。Agent5によれば、これを達成するのにパラメータ数はわずか0.72M（モデル内の調整可能な重み総数。小さいほど計算コストが低い）。注記：この数字はGoogle自身の評価によるもので、本記事執筆時点で第三者による再現検証は確認されていない。

今後の見どころはすべてこの「転移」の2文字に集約される。GlucoFMはまだ研究段階で、モデル重みは公開されていない。重みが本当に公開されたら、第三者研究者が自分のCGMコホートで再現したときに、ラベルサンプルをどこまで削っても優位性が保たれるかを見る必要がある。デュアルストリーム分解がその後継CGMモデルにも採用されるかも注目点だ。新しいコホートでFew-shot優位性が消滅したり、後継モデルが単一ストリーム構造に戻ったりすれば、この方向性は修正を迫られるだろう。

デモは探さないで、重みは未公開

GlucoFM発表当日、論文とブログは公開されたが、モデル重みは未公開だ。今できることは、論文を読み、リポジトリを監視し、1つの重要な違いを理解すること。

Agent5とexplainxの報道によれば、Google ResearchとUNSW Sydneyは8月26日にGlucoFMを発表したが、重み（学習済みパラメータファイル。これがないとモデルは動作しない）はTBD（公開予定）のままだ。公式ブログのQuick linksにはPaperリンクしかなく、ダウンロード入口はない。Paperを開いて確認したいのはデュアルストリーム構造だ。CGM（連続血糖モニタリング。皮下センサーで数分ごとに血糖を測定）曲線を緩やかな「状態ストリーム」と急速な「事象ストリーム」に分解し、時間情報と欠損値（測定されなかった時点）を保持する仕組みだ。

論文を読む際は比較を意識したい。CGMformer、GluFormer、CGM-JEPAは血糖曲線全体を1本の系列として処理する。GlucoFMは2本に分解し、この違いはコードを実行しなくても理解できる。CGMデバイスを装着しているなら、1週間分の曲線を取り出し、滑らかなベースライン部分と食事・活動によるスパイクを分けてみよう——これがデュアルストリームの直感だ。

数値は急いで覚えないように。公式発表では、PR-AUC（予測ランキング品質指標。高いほど良い）が最良のCGM専用ベースラインより平均4.1ポイント高いとしているが、これは自社学習ベースラインとの比較であり、第三者による再現検証は未だない。重みやコードが公開されてから、この数字を再現できるかを確認しよう。重み公開前にもっとも価値のあるアクションは、デュアルストリームの発想と軽量設計という事実を頭に入れておくことだ。