Google Research présente GlucoFM : un modèle à double flux de 0,72M de paramètres pour la surveillance continue de la glycémie
Google Research et l'université UNSW Sydney ont présenté GlucoFM, un modèle de fondation auto-supervisé pour l'analyse des données de surveillance continue du glucose (CGM). Contrairement aux modèles existants comme CGMformer, GluFormer ou CGM-JEPA, qui traitent une courbe glycémique comme une séquence unique, GlucoFM la sépare en un flux d'état, la tendance physiologique lente, et un flux d'événements, les variations liées aux repas, à l'activité, au stress ou aux artefacts de capteur. Chaque enregistrement est aligné sur une grille de 24 heures par pas de 5 minutes, avec un filtre gaussien causal dont la largeur de bande apprise varie entre 10 et 60 minutes. Pré-entraîné sur un seul GPU NVIDIA H100 à partir de 109 066 heures de données non annotées issues de 477 sujets (cohortes Wear-CGM, ShanghaiT2DM, Stanford, BIG IDEAs, Colas), l'encodeur final ne compte que 0,72 million de paramètres entraînables et atteint un PR-AUC moyen de 58,8 sur 14 évaluations, contre 54,7 pour le meilleur modèle rival, soit un gain d'environ 7,5%.
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
GlucoFM devance ses concurrents sur la quasi-totalité des tâches testées : il arrive en tête sur toutes les évaluations de risque diabétique et de dysfonction des cellules bêta, sur trois des quatre évaluations de résistance à l'insuline, et se classe premier sur 21 des 24 tests de transfert entre jeux de données. Pour la prévision de la glycémie postprandiale à deux heures, son erreur moyenne atteint 21,88 mg/dL, contre 22,90 et 27,69 pour ses meilleurs concurrents. Avec moins d'un million de paramètres et une inférence possible sur CPU ou appareil embarqué, il se veut bien plus léger que les grands modèles médicaux habituels. Pour les fabricants de capteurs et les équipes de recherche en santé numérique, cela ouvre la voie à des outils de dépistage précoce du diabète nettement moins coûteux à entraîner et à déployer.
Ce travail répond à un problème récurrent en recherche sur le diabète : les données CGM mêlent deux signaux physiologiques distincts, tandis que les labels cliniques nécessaires à l'entraînement supervisé restent rares, coûteux et spécifiques à chaque cohorte. En séparant tendance lente et événement transitoire, Google Research et UNSW Sydney tentent de contourner cette limite par l'apprentissage auto-supervisé à grande échelle. Les auteurs restent prudents : GlucoFM est un prototype de recherche, sans autorisation d'aucune autorité réglementaire, et n'est pas destiné à diagnostiquer ou traiter une maladie. Toutes les évaluations sont rétrospectives, la plus grande cohorte de pré-entraînement n'est pas publique, et aucun checkpoint n'avait été distribué au 26 août 2026, même si l'équipe promet de publier le code. La suite dépendra de la capacité d'autres laboratoires à reproduire ces résultats et de l'intérêt des fabricants et régulateurs pour une architecture aussi compacte.
Pas d'impact direct sur la France/UE
0,72 million de paramètres pour battre des modèles bien plus lourds, c'est le genre de résultat qui devrait faire réfléchir tout le secteur santé numérique sur son obsession du gros modèle. Séparer la tendance lente et les événements ponctuels dans une courbe de glycémie, c'est malin, et ça se voit dans les chiffres : ça tourne sur CPU, pas besoin d'un datacenter pour dépister un diabète. Reste que sans checkpoint public ni validation réglementaire, on a un prototype prometteur, pas un outil clinique, faut pas confondre les deux.