GlucoFM: โมเดลพื้นฐาน AI สตรีมคู่ ยกระดับการตรวจวัดระดับน้ำตาลและประเมินสุขภาพการเผาผลาญ

อุปกรณ์สวมใส่ในปัจจุบันมักใช้เซนเซอร์ตรวจจับการเคลื่อนไหวเพื่อประมาณค่ากิจกรรมและการนอนหลับ แต่อาจให้ข้อมูลทางอ้อมเกินไปสำหรับการควบคุมระดับน้ำตาล การตรวจวัดระดับน้ำตาลอย่างต่อเนื่อง (CGM) จึงเข้ามามีบทบาทสำคัญในการติดตาม ระดับน้ำตาลในน้ำระหว่างเซลล์ ผ่านเซนเซอร์ใต้ผิวหนัง ช่วยให้เห็นรูปแบบระดับน้ำตาลในช่วงเวลาต่างๆ ได้อย่างละเอียด

อย่างไรก็ตาม การแปลผลข้อมูลเหล่านี้ยังคงเป็นเรื่องยาก เนื่องจากฉลากข้อมูลทางคลินิกที่มีคุณภาพสูงนั้นหาได้ยากและมีราคาสูงในการจัดทำ อีกทั้งโมเดลพื้นฐาน CGM ที่มีอยู่อย่าง CGMformer, GluFormer และ CGM-JEPA มักประมวลผลข้อมูลเป็นชุดเดียว โดยไม่ได้แยกความแตกต่างระหว่างค่าพื้นฐานที่เปลี่ยนช้ากับเหตุการณ์ที่เกิดขึ้นชั่วคราวออกจากกัน

ด้วยเหตุนี้ ทีมวิจัยจึงได้พัฒนา GlucoFM ซึ่งเป็น โมเดลพื้นฐานแบบเรียนรู้ด้วยตนเอง (self-supervised foundation model) ที่ใช้การออกแบบแบบสตรีมคู่ (dual-stream) เพื่อแยกแนวโน้มระดับน้ำตาลที่เปลี่ยนแปลงช้า ออกจากการเบี่ยงเบนระยะสั้นที่เกิดจากมื้ออาหารหรือกิจกรรม พร้อมทั้งยังคงรักษาข้อมูลบริบทด้านเวลาและการขาดหายของข้อมูลไว้อย่างครบถ้วน

Overview diagram of the GlucoFM framework detailing data preprocessing, JEPA-style pre-training architecture, and clinical forecasting applications.

ภาพรวมของ GlucoFM โมเดลพื้นฐานสตรีมคู่น้ำหนักเบาสำหรับการตรวจวัดระดับน้ำตาลอย่างต่อเนื่อง

การฝึก GlucoFM ให้เข้าใจการเผาผลาญ

GlucoFM ได้รับการฝึกล่วงหน้าด้วยข้อมูล CGM ที่ไม่มีฉลากกว่า 109,066 ชั่วโมง และข้อมูลจากการบันทึกผู้เข้าร่วม 477 รายการ โดยตัวเข้ารหัสสตรีมคู่จะทำหน้าที่แยกส่วนประกอบสถานะความถี่ต่ำ (แนวโน้มที่ช้า) ออกจากส่วนประกอบเหตุการณ์ส่วนตกค้าง (ความผันผวนระยะสั้น) เพื่อให้โมเดลเข้าใจทั้งสรีรวิทยาและพฤติกรรมที่ส่งผลต่อระดับน้ำตาล

แทนที่จะสร้างค่าระดับน้ำตาลดิบขึ้นมาใหม่ซึ่งอาจมีสัญญาณรบกวน GlucoFM ใช้การฝึกล่วงหน้าแบบทำนายแฝง (latent predictive pre-training) ผ่านสองภารกิจหลัก:

การทำนายตามบริบท (Contextual prediction): ซ่อนบางส่วนของข้อมูลเพื่อให้โมเดลเรียนรู้ที่จะทำนายส่วนที่หายไปจากบริบทโดยรอบ
พลวัตทางเวลา (Temporal dynamics): ฝึกให้โมเดลคาดการณ์การเปลี่ยนแปลงของเส้นฐานและการเบี่ยงเบนจากชั่วโมงหนึ่งไปสู่อีกชั่วโมงหนึ่ง เพื่อจับลักษณะความต่อเนื่องของข้อมูล

Detailed architectural schematic of the GlucoFM model displaying stream embeddings, a transformer encoder, and temporal dynamics modeling.

โครงร่างโมเดลและวัตถุประสงค์การฝึกล่วงหน้าของ GlucoFM

สิ่งที่ GlucoFM ทำได้

จากการประเมินในกลุ่มประชากร 4 กลุ่ม และงานทำนายทางคลินิก 7 งาน รวมถึง ความเสี่ยงต่อโรคเบาหวาน และ ภาวะดื้อต่ออินซูลิน พบว่า GlucoFM มีค่า PR-AUC สูงกว่าโมเดล GluFormer รุ่นที่มีประสิทธิภาพดีที่สุดถึง 5.8 จุดเปอร์เซ็นต์ เมื่อฝึกบนชุดข้อมูลเดียวกัน

ความแม่นยำในงานด้านการเผาผลาญ

เมื่อทดสอบด้วย linear probing เพื่อดูว่าข้อมูลเพียง 24 ชั่วโมงสามารถระบุลักษณะเฉพาะทางสุขภาพ (phenotype) ของบุคคลได้หรือไม่ พบว่า GlucoFM ทำคะแนนเฉลี่ยได้ดีที่สุดในทุกงานวิจัย โดยเฉพาะความเสี่ยงเบาหวานและความผิดปกติของเบต้าเซลล์

A linear probe radar chart showing GlucoFM outperforming four baseline models across six metabolic health assessment categories.

ประสิทธิภาพของ linear-probe ในการระบุฟีโนไทป์การเผาผลาญ

การทำนายการตอบสนองของระดับน้ำตาลหลังมื้ออาหาร

GlucoFM ยังทำผลงานได้โดดเด่นในการพยากรณ์ การตอบสนองของระดับน้ำตาลหลังมื้ออาหาร (PPGR) โดยให้ค่า ความคลาดเคลื่อนสมบูรณ์เฉลี่ย (MAE) ต่ำที่สุดเมื่อเทียบกับโมเดลพื้นฐานอื่นๆ เมื่อใช้ข้อมูลจากอุปกรณ์อย่าง Dexcom และ Libre

Line graph demonstrating that GlucoFM achieves the lowest Mean Absolute Error as progressive context variables are added.

บริบทที่เพิ่มขึ้นช่วยปรับปรุงการทำนายการตอบสนองของระดับน้ำตาลหลังมื้ออาหารเส้นทางเต็ม 2 ชั่วโมง

การมองไกลกว่าแค่เพียงวันเดียวและการก้าวข้ามกลุ่มประชากร

โมเดลนี้ยังพิสูจน์ให้เห็นว่าการรวมข้อมูลหลายวัน (สูงสุด 7 วัน) ช่วยเพิ่มความแม่นยำในการทำนายระดับบุคคลได้อย่างมาก อีกทั้งยังมีประสิทธิภาพในการถ่ายโอนข้ามชุดข้อมูล (cross-dataset transfer) ที่ยอดเยี่ยม โดยสามารถรักษาระดับความแม่นยำได้แม้จะนำไปใช้กับกลุ่มประชากรที่โมเดลไม่เคยเห็นมาก่อน

Bar charts displaying improvements in PR-AUC scores over multiple day intervals across six different clinical datasets.

ผลของการสังเกต CGM นาน 𝐾 วัน ค่าบวกบ่งบอกถึงการปรับปรุงจาก 𝐾 = 1

Bar chart highlighting the percentage improvement of the model in zero-shot transfer scenarios between different cohort datasets.

ประสิทธิภาพการถ่ายโอนข้ามชุดข้อมูล ΔPR-AUC ระหว่าง GlucoFM และโมเดลพื้นฐานที่แข็งแกร่งที่สุด

การเรียนรู้ด้วยข้อมูลที่น้อยลงและโครงสร้างสตรีมคู่

ในการทดสอบแบบ few-shot ที่มีข้อมูลจำกัด GlucoFM ยังคงครองอันดับหนึ่งในทุกเงื่อนไข นอกจากนี้การวิเคราะห์เปรียบเทียบยังยืนยันว่าการใช้โครงสร้างแบบสตรีมคู่ให้ผลลัพธ์ที่ดีกว่าการใช้สตรีมเดี่ยวอย่างมีนัยสำคัญ เนื่องจากสามารถจับข้อมูลสรีรวิทยาพื้นฐานควบคู่ไปกับความผันผวนชั่วคราวได้อย่างสมดุล

Two bar charts illustrating GlucoFM's consistently higher average PR-AUC scores in few-shot learning compared to competing models.

การปรับตัวแบบ few-shot ภายใต้กลุ่มตัวอย่างที่มีฉลากจำกัด

Bar chart comparing input methods, showing the proposed dual-stream approach achieves the highest average scores across three distinct metrics.

ประสิทธิภาพของการออกแบบสตรีมคู่เทียบกับสตรีมเดียว

บทสรุป

GlucoFM แสดงให้เห็นว่าโมเดล AI สำหรับ CGM จะมีประสิทธิภาพสูงขึ้นหากคำนึงถึงโครงสร้างเวลาที่ซับซ้อน ทั้งแนวโน้มที่ช้าและการเปลี่ยนแปลงที่รวดเร็ว ขั้นตอนต่อไปของทีมวิจัยคือการขยายการฝึกด้วยกลุ่มประชากรที่ใหญ่และหลากหลายมากขึ้น เพื่อนำไปสู่การพัฒนาเครื่องมือที่ช่วยบริหารจัดการสุขภาพการเผาผลาญได้อย่างยั่งยืนในอนาคต