魏茨曼研究所聯手 NVIDIA 推出 GluFormer：可預測未來 4 年血糖變化

面對一塊餅乾，很多控糖人士第一反應往往是：吃下去血糖得飆成什麼樣？現在，原本用來寫文字的大模型，開始替你算這筆賬了。

NVIDIA 聯合魏茨曼科學研究所（Weizmann Institute of Science）以及以色列初創公司 Pheno.AI，公佈了一項名為 GluFormer 的生成式 AI 研究。它把連續血糖監測（CGM）裝置測出來的序列資料塞進 Transformer 架構，不僅能推斷當下的飲食反應，最遠還可以預測一個人未來四年的血糖走勢與健康風險。

把血糖資料當成句子來讀

很多人熟悉 Transformer 架構是因為 ChatGPT，大模型通過前面的詞預測下一個詞。但在 NVIDIA 研究團隊眼裡，人體連續測量的生理指標本質上也是一種上下文序列。

連續血糖監測儀通常每隔 15 分鐘測一次血糖，記錄下來的就是一條連續的時間序列。NVIDIA 人工智慧研究高階總監 Gal Chechik 解釋說，醫療資料特別是連續血糖監測，就像是貫穿生命的一連串診斷測試。既然 Transformer 擅長處理長文本，它就能看懂上一組檢查結果並預測下一組，從而學會診斷指標隨時間演化的規律。

研究團隊拿來訓練模型的，是 Pheno.AI 旗下「人類表型專案」（Human Phenotype Project）的資料。他們收集了超過 10000 名非糖尿病受試者連續 14 天的血糖記錄，每 15 分鐘採集一次。

整個訓練過程在 NVIDIA Tensor Core GPU 叢集上加速完成。除了預測自發性血糖變化，當研究人員把飲食攝入資料加進模型後，GluFormer 還能準確推斷不同個體吃下特定食物或調整膳食後的血糖波動，為精準營養提供了可行的量化工具。

查血糖，順便測出內臟脂肪和呼吸暫停

更讓人意外的是這套模型的泛化能力。雖然訓練集來自一萬多名健康人群，但研究團隊在另外 15 個獨立資料集上做了驗證，發現它能很好地推廣到糖尿病前期、1 型和 2 型糖尿病、妊娠期糖尿病以及肥胖人群。

而且它預測的範圍遠遠超出了血糖本身。論文第一作者、NVIDIA 研究員兼魏茨曼研究所博士生 Guy Lutsker 指出，GluFormer 還能根據這些時序資料，預測受試者的內臟脂肪含量、收縮壓以及用於衡量睡眠呼吸暫停的 AHI 指數。

內臟脂肪直接反映肝臟和胰臟等器官周圍的脂肪堆積，收縮壓與糖尿病風險直接掛鉤，而睡眠呼吸暫停也是 2 型糖尿病的常見伴生病症。換句話說，模型靠著皮膚表面測出來的糖代謝波動，推演出了身體深處其他器官的隱性負擔。

哈佛健康出版物和紐約大學朗格尼醫學中心此前都指出，連續血糖監測資料能幫助醫生更快確診糖尿病前期。現在有了生成式模型，這些高頻資料不再只是用來畫折線圖，而是變成了能推演長期走勢的預測引擎。

為什麼重要

對於慢病高危人群和普通使用者來說，這種工具最大的價值是把被動治病變成了超前預防。糖尿病目前影響著全球約 10% 的成年人，到 2050 年患病人數可能翻倍突破 13 億，預計到 2030 年帶來的全球經濟負擔將達到 2.5 萬億美元。如果只要戴兩週感測器，AI 就能算出你吃什麼會劇烈升糖，甚至預警未來四年的代謝隱患，預防性干預的門檻會被極大拉低。

從行業角度看，這看起來是生成式 AI 從文本和影像跨入生物時序訊號的一個標誌性落地。以往的智慧手錶和手環主要做靜態記錄或即時報警，如果結合這類基礎模型，可穿戴裝置和數字健康平臺就能直接升級成健康預測顧問，這無疑會給傳統慢病管理行業帶來新的競爭壓力。

我們認為，這項研究最聰明的地方在於切入角度。他們沒有一開始就去啃複雜的病歷或昂貴的基因測序，而是挑了可穿戴裝置最容易採集的高頻血糖時序，先用非患病人群做自監督預訓練，再泛化到各類病患。不過隱患也顯而易見：四年的遠期預測本質上是機率推斷，無法涵蓋受試者未來生活方式的突發改變；如果消費端過分依賴這種遠期預測，也可能誘發不必要的焦慮或過度醫療。但無論如何，把 GPT 的邏輯用在人體代謝上，確實開闢出了一條很有想像力的道路。