透過連續血糖監測儀 (Continuous Glucose Monitoring, CGM)，可以掌握二十四小時血糖波動，幫助我們了解生活型態跟血糖的關係；但是，如何從連續血糖監測的龐大數據中，提取有意義的健康資訊，是現今最大挑戰。由 NVIDIA 開發的 GluFormer ， 可以閱讀血糖紀錄、分析數據規律、預測未來。
GluFormer 的誕生
想像一下，AI 語言模型透過閱讀大量文章，學習詞語之間的關係和語法規則，進一步可以完成寫作、翻譯等任務。GluFormer 的運作概念與此類似，它透過閱讀大量的連續血糖監測數據，目標是理解血糖變化的「語言」，並將其轉化為對健康的洞察。
GluFormer 是由 NVIDIA、魏茨曼科學研究所 (Weizmann Institute of Science)，與 Pheno.AI 公司合作開發的 AI 基礎模型 (generative foundation model)。它是透過自監督學習 (self-supervised learning, SSL) 的方式，從大量且未標記的連續血糖監測數據庫中，自主學習血糖模式，並產生能夠反映個體健康狀況的「血糖表徵」 (representations) 或稱作嵌入 (embeddings)。
為了讓 GluFormer 具備足夠的「智慧」，研究團隊使用來自人類表現型計畫 (Human Phenotype Project, HPP) 資料庫內，超過 1,000 萬筆的連續血糖監測數據，來進行模型訓練。這個大規模的前瞻性縱向研究，收集了 10,812 位成年人、大多數沒有糖尿病、為期兩週的 CGM 數據，並記錄飲食內容。
那麼，GluFormer 實際上是如何運作呢？研究團隊設計了一個基於 「Transformer」 架構的生成式模型。Transformer 是一種在自然語言處理領域非常成功的深度學習模型，它擅長處理序列數據，並能捕捉序列中不同位置之間的依賴關係。
研究團隊將連續的 CGM 數據「代幣化」（Tokenization），也就是將連續的血糖數值劃分成一系列離散的「血糖代幣」，接著，GluFormer 透過預測序列中下一個血糖代幣的方式 (autoregressive token prediction) ，進行自監督學習。
整個過程，就像在玩「血糖接龍」的遊戲，模型透過觀察過去的血糖變化，學習預測接下來的血糖數值。GluFormer 就像一位「CGM 判讀經驗超過一萬個案例」的糖尿病專科醫師，能夠捕捉到各種細微的血糖變化、及潛在的生理意義。
🔥閱讀原文請點 🔜 GluFormer research paper on Arxiv.
GluFormer 的泛化能力
一個優秀的 AI 模型，不僅要在訓練數據上表現良好，更重要的是，要能夠應用於全新的、從未見過的數據；這個能力，又稱作泛化能力 ( generalizability, or generalization capability)。簡單來說，就是「舉一反三」的能力，這是人類勝過其他物種的重要特點，也是過去電腦難以突破的天花板。
令人驚豔的是，研究團隊在 19 個外部數據集 (包含 6,044 位參與者) 上，驗證了 GluFormer 的泛化能力。 這些數據集涵蓋了不同的種族、年齡、5 個不同的國家、8 種不同的 CGM 設備，以及多樣化的生理狀態，例如：糖尿病前期、第1型和第2型糖尿病、妊娠期糖尿病和肥胖。
實驗結果表明，儘管這些外部數據集與訓練數據存在顯著差異，GluFormer 仍然能夠很好地泛化，準確地預測臨床指標。
GluFormer 的預測能力
研究發現，GluFormer 模型輸出的「血糖表徵」 (representations)，在預測糖化血色素 (HbA1c) 方面，甚至優於連續血糖監測儀的 「葡萄糖管理指標」（Glucose Management Indicator, GMI）。
更重要的是，對於糖尿病前期患者，GluFormer 能夠更有效地識別出那些在兩年後血糖控制會惡化的個體，這顯示 GluFormer 能夠捕捉到傳統指標未能揭露的早期風險信號。
更令人振奮的是，研究團隊在一個長達 12 年的縱向研究 (AEGIS 研究) 中發現，基於 GluFormer 預測的 HbA1c 值，能夠更準確地預測「未來罹患糖尿病的風險」以及「心血管死亡的風險」；而傳統的血液 HbA1c 檢測在這方面則沒有顯著的預測能力。
這項發現暗示我們，透過深入分析 CGM 數據，我們或許能更早期、更準確地評估個體的代謝健康風險，有助於識別出需要早期介入治療的潛在人選。
GluFormer 的多模態能力
為了進一步提升血糖預測的準確性，研究團隊還開發了 GluFormer 的多模態版本，使其能夠整合飲食數據。他們將 CGM 數據和飲食中的巨量營養素含量 (例如碳水化合物、蛋白質、脂肪等) 同時進行符號化，形成一個同步的多模態序列進行訓練。
實驗結果顯示，整合飲食資訊後的 GluFormer，在預測餐後血糖反應方面，顯著優於僅使用 CGM 數據的模型。這意味著 GluFormer 未來可以根據個人的飲食習慣，提供更精準的血糖預測和飲食建議。
NVIDIA：開發 GluFormer 的關鍵角色
這項突破性的研究成果，背後有 NVIDIA 的大力支持與深度參與；從研究團隊的組成來看，多位重要的研究人員來自 NVIDIA。更關鍵的是，NVIDIA 提供了強大的 AI 計算平台和硬體資源 (如 NVIDIA A40 GPU)，使得訓練如此龐大複雜的 AI 模型成為可能。
此外，NVIDIA 的研究人員也積極參與了模型架構的設計、計算分析的指導以及專案基礎設施的管理。可以說，NVIDIA 在 GluFormer 的研發過程中，扮演了舉足輕重的角色，是將學術研究轉化為實際應用的重要推手。
展望未來：AI 賦能的個人化代謝健康管理
GluFormer 的研究成果，代表著利用 AI 技術分析連續血糖監測數據的重大突破。它不僅展現了強大的泛化能力、和超越傳統指標的預測準確性，更重要的是，它為我們理解個體的代謝健康狀況，以及預測未來的健康風險，提供了一個全新視角。
隨著 CGM 應用普及、和 AI 技術突破，像 GluFormer 這樣的模型，有機會在未來廣泛應用，例如：
◆更早地識別糖尿病高風險族群，實現早期預防和介入。
◆根據個人的血糖模式和飲食習慣，提供個人化的飲食和生活型態建議。
◆為醫療團隊提供更細緻的血糖數據分析報告，輔助臨床決策。
GluFormer 作為一款基於深度學習技術的 AI 健康預測模型，無論在糖尿病管理、個人化醫療還是健康預測，都顯示出巨大的應用潛力。
儘管存在一些挑戰和缺點，例如：模型的可解釋性 (interpretability)、 訓練數據的偏差 (bias) 等問題。但隨著技術進步和跨領域合作，GluFormer 有望在未來成為全球健康管理和疾病預測領域的重要工具。
重點整理
◆GluFormer 是一個由 NVIDIA 與魏茨曼科學研究所等機構，合作開發的生成式 AI 基礎模型，用於分析連續血糖監測 (CGM) 數據。
◆模型基於 Transformer 架構，透過自監督學習，在超過千萬筆 CGM 數據上進行訓練，學習血糖模式並產生代謝健康表徵。
◆GluFormer 展現了驚人的泛化能力，能夠應用於不同族群、設備和疾病的外部數據集。
◆在預測糖化血色素和長期糖尿病、心血管疾病風險方面，GluFormer 的表現優於傳統的葡萄糖管理指標 (GMI) 和血液糖化血色素 (HbA1c) 檢測。
◆GluFormer 的多模態版本能夠整合飲食數據，更精準地預測餐後血糖反應。
◆NVIDIA 在 GluFormer 的開發過程中扮演關鍵角色，提供了研究人員、強大的計算資源和技術指導。
◆未來，GluFormer 有機會應用於更精準的健康管理，例如早期風險識別、個人化飲食建議和輔助臨床決策。
點選下方 QR code 即可加入 LINE@ 好友
台南糖尿病診所推薦
周劍文診所以『關懷、專業、效率』為初心，秉持醫學中心的照護品質，提供親切專業、就診方便的醫療照護。
周劍文診所是台南知名的糖尿病治療中心，位於台南市永康區，多次榮獲糖尿病照護品質卓越獎，是台南市糖尿病共照網首選實習醫療院所，台灣南區糖尿病模範參訪診所。周劍文院長是全台知名的糖尿病和甲狀腺治療權威，行醫四十年，經常榮獲糖尿病照護品質卓越獎 ; 葉峻榳醫師身為內分泌新陳代謝專科醫師，專精於糖尿病等慢性疾病照護、肥胖評估與體重管理、賀爾蒙治療。
診所團隊專注於糖尿病、高血糖、高血壓、高血脂、高尿酸、痛風、慢性腎臟病、代謝症候群、甲狀腺疾患等急慢性病治療、肥胖和體重管理，以及賀爾蒙替代療法 ; 並提供成人健康檢查、慢性病檢查、疱疹疫苗/肺炎鏈球菌疫苗/流行性感冒疫苗注射、開立慢性處方箋等服務，可以整合糖尿病與各種慢性病治療用藥。
診所團隊強調高品質醫療，我們備有最新醫療科技如：Accuniq 身體組成分析機器、連續血糖監測儀 (華廣 iFree、亞培 FreeStyle Libre、美敦力 Guardian connect)、Mallya Cap 智慧胰島素注射裝置、慢性病數位管理工具 Health2Sync 智抗糖、以及糖尿病數位療法 Insultrate® 易速胰，讓每位病友都得到最新、最全面、最妥善的醫療照護。
🏥地址： 台南市永康區小東路423巷2號一樓
☎️電話： 06 311 0218
- LINE@ 粉專：加入好友
- 臉書粉絲團：葉峻榳醫師
- 個人部落格：葉峻榳醫師
- 醫學部落格：葉峻榳醫師診療室
- 區塊鏈部落格：馬特市
- 三方四正：IG | Linkedin | Twitter | Pinterest | Threads | Miin
有任何想法
歡迎《發表迴響》⬇️
