基于预测自监督预训练的 CGM-JEPA：学习一致的连续血糖监测表示
机器学习
2026-05-05 v1 人工智能
摘要
连续血糖监测（CGM）可以检测早期代谢亚型（胰岛素抵抗，IR；β 细胞功能障碍），但在大规模部署中面临两个相互关联的问题。首先，相同的生理状态通过多种视图呈现（CGM 时间序列、血清 OGTT、Glucodensity 概览），因此单视图表示在部署 modality 或 setting 变化时难以迁移。其次，基线方法在这些变化下表现不一致。这两个问题指向一个解决方案：捕捉更高层次时序和分布结构的表示。我们提出 CGM-JEPA，一种自监督预训练框架，通过预测掩码后的潜在表示来实现抽象化，从而实现跨模态迁移。X-CGM-JEPA 引入掩码 Glucodensity 跨视图目标，以获取补充的分布信息。我们在约 38.9 万 条未标记的 CGM 记录（来自 228 名受试者）上进行预训练，并在两个临床队列（N=27 和 N=17 的公开子集）中评估，分别采用三种情景（队列泛化、血清转 CGM、居家 CGM），并采用 20 次迭代 × 2 折交叉验证。X-CGM-JEPA 在两个终点的所有三个情景中在 AUROC 上位列第一或第二，而没有任何基线方法如此做， cohort 泛化中超过最强基线提高了最高达 +6.5 百分点，血清转 CGM 迁移中提高了 +3.6 百分点（配对 Wilcoxon 检验，p<0.001）。在 modality 变化下，它保持平均 AUROC，同时向较弱子群（族群 AUROC 差距缩小 25-54%） redistributed；在稀疏的领域内血清数据上，分布视图提升了标签感知聚类（ARI 提升 +39%，NMI 提升 +40%）。代码与模型权重：https://github.com/cruiseresearchgroup/CGM-JEPA
引用
@article{arxiv.2605.00933,
title = {CGM-JEPA: Learning Consistent Continuous Glucose Monitor Representations via Predictive Self-Supervised Pretraining},
author = {Hada Melino Muhammad and Zechen Li and Flora Salim and Ahmed A. Metwally},
journal= {arXiv preprint arXiv:2605.00933},
year = {2026}
}