GlucoPRISM：用于跨队列血糖迁移的协议监督预训练

arXiv:2610.12528v1 公告类型：新论文 摘要：连续血糖监测（CGM）基础模型将每天的数据编码为一个向量，其中混合了个体身份、当天发生的情况以及传感器的测量方式，因此测量差异会随表征一同迁移到新队列中。我们探讨预训练能否将损害迁移效果的测量成分置于已知坐标中，从而在部署时通过固定投影将其移除，且无需目标数据。GlucoPRISM 利用响应约定来监督 GlucoFM 骨干网络，这些约定规定了仅日期变化或仅传感器变化时，表征的各个部分应如何变化：64 维的 Trait 分区不应随两者中的任何一个变化，48 维的 State 分区应仅随日期变化，而 16 维的 Sensor 分区应反映设备变化。基于配对的 Dexcom 和 Libre 记录校准的合成传感器视图、不同日期的数据对以及血糖汇总指标目标，在无需临床标签的情况下提供了这种监督。在十二个跨队列迁移方向上，从同一个冻结编码器的表征中移除 Sensor 分区，使平均迁移 AUROC 从 68.75 提高至 73.57，而 GlucoFM 为 69.3。这一提升包含两个部分。在迁移至 CGMacros 时，过滤带来了 11 至 19 个点的提升；CGMacros 是唯一使用两种传感器类型采集数据的目标队列，而且在使用一半参与者的数据重新校准生成器、并在另一半参与者的数据上进行评估时，这一提升依然成立。在其余八个方向上，过滤未产生明显影响，而编码器本身比 GlucoFM 高出 3.5 个点。过滤后仍可通过线性解码识别设备，因此该过滤器移除的是损害迁移效果的设备相关成分，而非所有测量信息。保留的分区在十四个公开任务—队列组合中的十三个上提高了窗口级 AUROC（Holm 校正后 p=0.031），并在一个包含 9,303 名参与者的外部队列中，提高了十五个临床终点中的十四个的相关性。