Google Research-მა წარადგინა GlucoFM – უწყვეტი გლუკოზის მონიტორინგის (CGM) მონაცემებისთვის შექმნილი მსუბუქი foundation model, რომელიც გლუკოზის შედარებით ნელ ცვლილებებსა და მოკლევადიან გადახრებს ცალ-ცალკე ამუშავებს. მოდელის მიზანია CGM მონაცემებიდან ისეთი გამოსადეგი წარმოდგენების სწავლა, რომლებიც სხვადასხვა მეტაბოლურ ამოცანაზე შეიძლება გადაიტანონ.
Google Research-ის მიხედვით, GlucoFM შეფასდა დიაბეტის რისკის, ინსულინრეზისტენტობის, ბეტა-უჯრედების დისფუნქციისა და სხვა მეტაბოლური მაჩვენებლების პროგნოზირების ამოცანებზე. ცალკე შეფასდა მისი შესაძლებლობა ჭამის შემდეგ გლუკოზის ცვლილების პროგნოზირებისთვისაც.
სარჩევი
როგორ მუშაობს GlucoFM?
უწყვეტი გლუკოზის მონიტორები გლუკოზის დონეს რამდენიმე წუთში ერთხელ აფიქსირებენ და შედეგად ქმნიან დროით მონაცემთა დეტალურ ნაკადს. მასში ჩანს უზმოზე და ღამის მაჩვენებლები, კვების შემდეგ ცვლილებები და დღის განმავლობაში წარმოქმნილი სხვა რყევები.
GlucoFM-ის მთავარი არქიტექტურული თავისებურება dual-stream მიდგომაა. მოდელი გლუკოზის დინამიკას ორ ნაწილად ყოფს – შედარებით ნელ, საბაზისო ტენდენციებად და მოკლევადიან გადახრებად, რომლებიც შეიძლება დაკავშირებული იყოს ფიზიოლოგიურ პროცესებთან, ქცევასთან ან სენსორის არტეფაქტებთან.
Google-ის მკვლევრების განმარტებით, არსებული CGM foundation model-ების ნაწილი გლუკოზის მონაცემებს ერთიან ნაკადად ამუშავებს. GlucoFM კი ცდილობს სხვადასხვა დროითი მასშტაბის პროცესები თავიდანვე ცალკე წარმოადგინოს და შემდეგ მათი ინფორმაცია გააერთიანოს.
როგორ გაწვრთნეს GlucoFM?
GlucoFM წინასწარ გაწვრთნეს 109 066 საათის არამარკირებულ CGM მონაცემებზე, რომლებიც ჯამში 477 მონაწილის ან სესიის ჩანაწერს მოიცავდა. მოდელი self-supervised მიდგომას იყენებს, რაც დიდი მოცულობის კლინიკურად მარკირებული მონაცემების გარეშე სასარგებლო წარმოდგენების სწავლას შესაძლებელს ხდის.
CGM ჩანაწერებს შეიძლება ჰქონდეს გამოტოვებული მონაკვეთები, განსხვავებული სიხშირით აღებული მონაცემები და სენსორული არტეფაქტები. GlucoFM მონაცემებს 24-საათიან, ხუთწუთიან დროით ბადეზე ათავსებს და ინარჩუნებს ინფორმაციას იმის შესახებ, რომელი პოზიცია შეიცავს რეალურ გაზომვას და რომელი – არა.
სწავლებისას მოდელი იყენებს ორ ძირითად ამოცანას. პირველი დამალული მონაკვეთების latent representation-ის კონტექსტიდან პროგნოზირებაა, ხოლო მეორე – იმის სწავლა, როგორ იცვლება შედარებით სტაბილური საბაზისო მდგომარეობა და მოკლევადიანი გადახრები საათიდან საათამდე.
GlucoFM-ის შედეგები მეტაბოლურ ამოცანებზე
Google Research-მა GlucoFM ოთხ სხვადასხვა კოჰორტაზე და შვიდ კლინიკურ პროგნოზირების ამოცანაზე შეაფასა. მათ შორის იყო დიაბეტის რისკი, ინსულინრეზისტენტობა, ბეტა-უჯრედების დისფუნქცია, ჰიპერლიპიდემია, ჰიპოგლიკემია, სიმსუქნე და glucotype.
14 კოჰორტა-ამოცანის შეფასებაში GlucoFM-ის საშუალო PR-AUC 58.8 იყო, ხოლო იმავე მონაცემებზე ხელახლა გაწვრთნილი საუკეთესო CGM-სპეციფიკური საბაზისო მოდელის მაჩვენებელი – 54.7. ეს 4.1 პუნქტიან აბსოლუტურ გაუმჯობესებას შეესაბამება.
GlucoFM-მა ყველაზე მაღალი PR-AUC აჩვენა დიაბეტის რისკისა და ბეტა-უჯრედების დისფუნქციის ყველა შესაბამის შეფასებაში, ასევე ინსულინრეზისტენტობის ოთხიდან სამ შეფასებაში.
ჭამის შემდეგ გლუკოზის ცვლილების პროგნოზირება
მკვლევრებმა მოდელი postprandial glycemic response-ის, ანუ ჭამის შემდეგ გლუკოზის ცვლილების პროგნოზირებაზეც გამოსცადეს. შეფასება მოიცავდა 34 მონაწილის 874 დაწყვილებულ კვების მოვლენას, ხოლო Dexcom და Libre ცალ-ცალკე დამუშავდა.
სრული კონტექსტის გამოყენებისას GlucoFM-ის საშუალო MAE 21.88 mg/dL იყო. საუკეთესო შედარებითი მოდელის შედეგი 22.90 mg/dL-ს შეადგენდა, ხოლო სასწავლო მონაცემების საშუალოზე დაფუძნებული baseline-ის – 27.69 mg/dL-ს.
რატომ არის GlucoFM საინტერესო?
CGM მონაცემების გამოყენების ერთ-ერთი სირთულე მაღალი ხარისხის კლინიკური ნიშნების სიმცირე და მათი მოპოვების ღირებულებაა. GlucoFM-ის მსგავსი self-supervised მოდელები ცდილობენ დიდი რაოდენობით არამარკირებული მონაცემიდან ისწავლონ ისეთი წარმოდგენები, რომლებიც შემდგომ შედარებით მცირე რაოდენობის მარკირებული მონაცემით შეიძლება კონკრეტულ ამოცანებზე გამოიყენონ.
Google-ის ექსპერიმენტებში GlucoFM-მა ძლიერი შედეგები აჩვენა შეზღუდული მარკირებული მონაცემების პირობებშიც. მოდელმა ასევე აჩვენა კარგი შედეგები სხვადასხვა მონაცემთა ნაკრებს შორის გადატანისას – 12 cross-dataset შეფასებიდან 11-ში მან საუკეთესო კონკურენტულ მეთოდს აჯობა.
ამასთან, შედეგები არ ნიშნავს, რომ GlucoFM უკვე წარმოადგენს დიაბეტის ან სხვა მეტაბოლური დაავადებების დიაგნოსტიკურ სისტემას. საუბარია კვლევით foundation model-ზე და მის მიერ ნასწავლი CGM წარმოდგენების ეფექტიანობის შეფასებაზე კონკრეტულ კვლევით ამოცანებში.
რა იქნება GlucoFM-ის შემდეგი ეტაპი?
Google Research აღნიშნავს, რომ მიმდინარე წინასწარი სწავლების პოპულაცია ჯერ კიდევ შედარებით შეზღუდულია. მკვლევრები მომავალში მოდელის უფრო დიდ და მრავალფეროვან პოპულაციებზე გაწვრთნას გეგმავენ.
კიდევ ერთი მიმართულებაა GlucoFM-ის გაფართოება დამოუკიდებლად დამუშავებული 24-საათიანი მონაკვეთებიდან მრავალდღიან მოდელირებამდე. ეს მოდელს საშუალებას მისცემს შეისწავლოს მეტაბოლური ტენდენციები, რომლებიც კვირებისა და თვეების განმავლობაში ვითარდება, ასევე გამოიკვლიოს რეალურ დროში მიმდინარე ცვლილებების დამუშავება.
GlucoFM-ის შესახებ დეტალური ინფორმაცია ხელმისაწვდომია Google Research-ის ოფიციალურ ბლოგზე, ხოლო კვლევა გამოქვეყნებულია arXiv-ზე.
სხვა თემები
პერსონალიზებული mRNA კიბოს ვაქცინა Phase 3 კვლევაში წარმატებული აღმოჩნდა
Claude protein design – AI-მ ცილები ავტონომიურად შექმნა
Cursor Origin – Cursor-მა კოდის ჰოსტინგი გაუშვა