《科技》比糖化血色素、血糖管理指標更準？ NVIDIA 的 AI 模型「GluFormer」，強大預測糖尿病長期風險！

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。

🔥更多圖文請點 🔜 www.yehclinic.com/nv...