CGM-JEPA：通过预测性自监督预训练学习一致的连续血糖监测表征

Hugging Face Daily Papers 论文
self-supervised-pretraining continuous-glucose-monitoring medical-ai cross-modal-learning representation-learning health-tech

摘要

介绍 CGM-JEPA，这是一种针对连续血糖监测数据的自监督预训练框架，通过掩码潜在预测和分布目标提升了跨模态及跨队列的性能。

连续血糖监测（CGM）能够检测早期代谢亚表型（胰岛素抵抗，IR；β细胞功能不全），但在大规模部署上面临两个耦合问题。首先，相同的生理状态通过多种视图呈现（CGM 时间序列、静脉 OGTT、Glucodensity 摘要），因此当部署切换模态或环境时，单视图表示无法迁移。其次，基线模型在这些变化下的表现不一致。这两个问题指向同一个解决方案：即构建能够从任何单一视图中抽象出来、以捕获更高层次时序和分布结构的表示。我们提出了 CGM-JEPA，一个自监督预训练框架，它预测掩码潜在表示而非原始值，从而产生能够跨模态迁移的抽象表示。X-CGM-JEPA 增加了一个掩码 Glucodensity 跨视图目标，以获取互补的分布信息。我们在来自 228 名受试者的 sim389k 条未标记 CGM 读数上进行预训练，并在两个临床队列（N=27 和 N=17 公开发布子集）上进行评估，涵盖三种设定（队列泛化、静脉至 CGM 迁移、家庭 CGM），采用 20 轮 2 折交叉验证。X-CGM-JEPA 在所有三种设定下针对两个端点的 AUROC 排名均位列第一或第二，而没有任何基线能达到此水平，其在队列泛化方面超越最强基线多达 6.5 个百分点，在静脉至 CGM 迁移方面超越 3.6 个百分点（配对 Wilcoxon 检验，p<0.001）。在模态偏移下，其平均 AUROC 持平，同时向较弱子群重新分配性能（种族 AUROC 差距缩小 25-54%）；在稀疏的域内静脉数据上，分布视图提升了标签感知聚类（ARI +39%，NMI +40%）。代码与权重：https://github.com/cruiseresearchgroup/CGM-JEPA
查看原文
查看缓存全文

缓存时间: 2026/05/11 14:53

论文页面 - CGM-JEPA：通过预测性自监督预训练学习一致的连续血糖监测表征

来源：https://huggingface.co/papers/2605.00933

摘要

一个针对连续血糖监测数据的自监督预训练框架，通过预测掩码潜表征并融入跨视图分布目标，实现了卓越的跨模态与跨队列性能。

连续血糖监测（CGM）能够检测早期代谢亚表型（如胰岛素抵抗、β细胞功能障碍），但在大规模人群部署中面临两个相互耦合的问题。首先，同一生理状态会通过多种视图呈现（如CGM时间序列、静脉血口服葡萄糖耐量测试、Glucodensity summari (https://huggingface.co/papers?q=ari)es），因此当部署场景发生模态或环境变化时，单一视图的表征将无法迁移。其次，基线方法在这些变化下表现不一致。这两个问题指向了同一种解决方案：所学习到的表征需要从任何单一视图中抽象出来，以捕获更高层次的时序与分布结构。我们提出CGM-JEPA，这是一个自监督预训练 (https://huggingface.co/papers?q=self-supervised%20pretraining)框架，它预测掩码潜表征 (https://huggingface.co/papers?q=masked%20latent%20representations)而非原始数值，从而产生可跨模态迁移的抽象表征。X-CGM-JEPA在此基础上增加了一个掩码Glucodensity跨视图目标 (https://huggingface.co/papers?q=cross-view%20objective)，以获取互补的分布信息 (https://huggingface.co/papers?q=distributional%20information)。我们在来自228名受试者的约38.9万条无标签CGM读数上进行预训练，并在两个临床队列（N=27和N=17的公开子集）的三种评估场景（队列泛化 (https://huggingface.co/papers?q=cohort%20generalization)、静脉血到CGM迁移 (https://huggingface.co/papers?q=venous-to-CGM%20transfer)和家庭CGM场景）中，通过20次迭代2折交叉验证进行评估。在所有三种场景中，X-CGM-JEPA在两个终点的AUROC上都位居第一或第二，而所有基线方法均未能如此，其在队列泛化 (https://huggingface.co/papers?q=cohort%20generalization)上最高超出最强基线6.5个百分点，在静脉血到CGM迁移 (https://huggingface.co/papers?q=venous-to-CGM%20transfer)上最高超出3.6个百分点（配对Wilcoxon检验，p<0.001）。在模态偏移下，其平均AUROC与基线相当，同时性能向弱势子组重新分布（种族间AUROC差距缩小25-54%）；在稀疏的域内静脉血数据上，分布视图提升了标签感知聚类 (https://huggingface.co/papers?q=label-aware%20clustering)效果（ARI (https://huggingface.co/papers?q=ARI)+39%，NMI (https://huggingface.co/papers?q=NMI)+40%）。代码与权重：https://github.com/cruiseresearchgroup/CGM-JEPA

查看 arXiv 页面 (https://arxiv.org/abs/2605.00933) 查看 PDF (https://arxiv.org/pdf/2605.00933) GitHub (https://github.com/cruiseresearchgroup/CGM-JEPA) 添加到集合 (https://huggingface.co/login?next=%2Fpapers%2F2605.00933)

在你的 agent 中获取这篇论文：

hf papers read 2605.00933

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.00933 即可将其链接到此页面。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.00933 即可将其链接到此页面。

引用此论文的Spaces0

没有Space链接此论文

在Space README.md 中引用 arxiv.org/abs/2605.00933 即可将其链接到此页面。

包含此论文的集合0

没有集合包含此论文

将此论文添加到一个集合 (https://huggingface.co/new-collection) 即可将其链接到此页面。

相似文章