CGM-JEPA：予測的自己教師あり事前学習による一貫した連続血糖モニタリング表現の学習

CGM-JEPA: Learning Consistent Continuous Glucose Monitor Representations via Predictive Self-Supervised Pretraining

May 1, 2026

著者: Hada Melino Muhammad, Zechen Li, Flora Salim, Ahmed A. Metwally

cs.AI

要旨

連続血糖モニタリング（CGM）は、早期の代謝サブフェノタイプ（インスリン抵抗性、IR；β細胞機能障害）を検出することができるが、集団規模での展開には2つの関連する問題が存在する。第一に、同じ生理学的状態が複数の視点（CGM時系列、静脈内OGTT、グルコデンシティ要約）を通じて現れるため、単一視点の表現は、展開時にモダリティや設定が変化した場合に転移しない。第二に、ベースラインはこれらの変化に対して一貫した性能を示さない。両問題は一つの解決策を示唆している：単一の視点から抽象化し、より高次の時間的および分布構造を捉える表現である。我々は、CGM-JEPAを提案する。これは、生の値ではなくマスクされた潜在表現を予測する自己教師あり事前学習フレームワークであり、モダリティを超えて転移する抽象化を実現する。X-CGM-JEPAは、補完的な分布情報を得るために、マスクされたグルコデンシティのクロスビュー目的関数を追加する。我々は、228名の被験者からのsim389kのラベルなしCGM測定値を事前学習し、2つの臨床コホート（N=27およびN=17の公開サブセット）に対して、3つのレジーム（コホート一般化、静脈からCGMへの転移、在宅CGM）で20回の2分割交差検証を行い評価した。X-CGM-JEPAは、全ての3つのレジームにおいて、両エンドポイントのAUROCで1位または2位を獲得し、どのベースラインも達成しなかった結果を上回り、コホート一般化では最大+6.5 pp、静脈からCGMへの転移では+3.6 ppの改善を示した（対応のあるWilcoxon検定、p<0.001）。モダリティシフト下では、平均AUROCを維持しつつ、弱いサブグループに向けて再分配を行い（民族間のAUROCギャップが25-54%縮小）、スパースなドメイン内静脈データでは、分布ビューがラベル対応クラスタリングを向上させた（ARI +39%、NMI +40%）。コードと重み：https://github.com/cruiseresearchgroup/CGM-JEPA

English

Continuous Glucose Monitoring (CGM) can detect early metabolic subphenotypes (insulin resistance, IR; β-cell dysfunction), but population-scale deployment faces two coupled problems. First, the same physiological state appears through multiple views (CGM time series, venous OGTT, Glucodensity summaries), so single-view representations fail to transfer when deployment shifts the modality or setting. Second, baselines perform inconsistently across these shifts. Both problems point to one remedy: representations that abstract away from any single view to capture higher-level temporal and distributional structure. We propose CGM-JEPA, a self-supervised pretraining framework which predicts masked latent representations rather than raw values, yielding abstraction that transfers across modalities. X-CGM-JEPA adds a masked Glucodensity cross-view objective for complementary distributional information. We pretrain on sim389k unlabeled CGM readings from 228 subjects and evaluate on two clinical cohorts (N=27 and N=17 public-release subsets) across three regimes (cohort generalization, venous-to-CGM transfer, home CGM) under 20-iteration times 2-fold cross-validation. X-CGM-JEPA ranks first or second on AUROC for both endpoints across all three regimes while no baseline does, exceeding the strongest baseline by up to +6.5 pp in cohort generalization and +3.6 pp in venous-to-CGM transfer (paired Wilcoxon, p<0.001). Under modality shift, it matches mean AUROC while redistributing toward weaker subgroups (ethnicity AUROC gap shrinks 25-54%); on sparse in-domain venous data, the distributional view lifts label-aware clustering (ARI +39%, NMI +40%). Code and weights: https://github.com/cruiseresearchgroup/CGM-JEPA