구글 리서치, 연속혈당측정용 기초모델 ‘글루코FM’ 공개

구글 리서치가 연속혈당측정(CGM) 데이터를 분석하는 경량 자기지도 학습 기반 모델 ‘글루코FM(GlucoFM)’을 공개했다. 이 모델은 혈당의 느린 변화와 짧은 변동을 각각 다른 흐름으로 나눠 학습하도록 설계됐으며, 당뇨 위험도와 인슐린 저항성, 베타세포 기능 이상, 식후 혈당 반응 예측 등 여러 대사 관련 과제에서 기존 모델보다 높은 성능을 보였다고 구글은 밝혔다.

CGM은 피부 아래 삽입한 작은 센서로 수분마다 간질액 혈당을 측정해 공복, 야간, 식후 패턴을 연속적으로 보여준다. 다만 이런 데이터는 간격이 비거나 센서 잡음이 섞일 수 있고, 임상적으로 해석할 수 있는 정답 라벨은 확보가 어렵고 비용도 많이 든다. 구글은 이런 한계를 보완하기 위해 대규모 비라벨 CGM 데이터를 활용해 공통 표현을 학습하는 기초모델이 필요하다고 설명했다.

글루코FM은 하루 단위 CGM 기록을 24시간, 5분 간격의 격자에 맞춰 정렬한 뒤 관측 여부를 함께 보존한다. 이후 낮은 주파수의 상태 성분과 짧은 이벤트 성분을 분리하는 이중 스트림 구조로 혈당 패턴을 학습한다. 단순히 원시 혈당값을 복원하는 대신, 잠재공간에서 다음 상태를 예측하는 방식으로 사전학습을 진행했고, 결측과 기기 특성을 반영한 증강도 적용했다.

구글은 Wear-CGM 등에서 확보한 총 10만9066시간의 비라벨 CGM 데이터와 공개 데이터셋 4개를 합쳐 477명의 기록으로 모델을 사전학습했다고 밝혔다. 이후 CGMacros, 스탠퍼드, Hall, 상하이T2DM 등 4개 코호트에서 7개 임상 예측 과제를 평가했다. 그 결과 글루코FM은 14개 코호트-과제 조합에서 평균 PR-AUC가 가장 우수했으며, 같은 데이터로 사전학습한 강력한 비교 모델보다 평균 5.8%포인트 높았다고 설명했다. 특히 당뇨 위험도와 베타세포 기능 이상 평가에서는 모든 조합에서 가장 높은 PR-AUC를 기록했고, 인슐린 저항성 평가에서도 4개 중 3개에서 선두를 차지했다.

식후 혈당 반응 예측에서도 성과가 확인됐다. 구글은 식사 전 1시간의 CGM, 영양 정보, 공복혈당, BMI, 당뇨 여부 등을 순차적으로 더해가며 2시간 뒤 혈당 변화를 예측했는데, 글루코FM은 Dexcom과 Libre 두 기기 평가를 평균했을 때 평균 절대오차(MAE) 21.88mg/dL로 가장 낮았다. 또 여러 날의 CGM 정보를 함께 쓰는 실험에서도 대체로 성능이 개선됐고, 새로운 코호트나 라벨이 적은 상황에서도 빠르게 적응하는 모습을 보였다고 구글은 전했다.

구글은 이번 결과가 혈당 데이터의 느린 추세와 짧은 변동, 시간대 정보, 결측치를 함께 다루는 접근이 유용하다는 점을 보여준다고 설명했다. 다만 현재 사전학습에 사용된 인구 규모는 제한적이며, 향후 더 크고 다양한 집단으로 확장하고 여러 날에 걸친 장기 패턴까지 반영하는 방향으로 연구를 이어가겠다고 밝혔다.