Искусственный интеллект в медицине: модель Google с 0,72 млн параметров обошла конкурентов в 187 раз крупнее

Исследование опубликовано как научная статья (препринт от 26 августа 2026 года). Авторы подчёркивают: GlucoFM остаётся исследовательским прототипом без регуляторного одобрения, без публичного чекпоинта (сохранённой готовой модели) и без клинического применения. Код и скрипты для воспроизведения обещают выложить в открытый доступ. Речь не о коммерческом продукте и не о раунде инвестиций, а о рецепте, который любая команда с собственными данными мониторинга глюкозы может повторить.

Что сделали авторы и почему это нетривиально?

Непрерывный мониторинг глюкозы (CGM, continuous glucose monitoring) записывает уровень сахара в крови каждые 5 минут. Существующие модели искусственного интеллекта в медицине, такие как CGMformer, GluFormer и CGM-JEPA, обрабатывают эту запись как единый поток данных.

Проблема в том, что в одном потоке смешаны два разных процесса. Первый: медленный физиологический фон, базовый уровень глюкозы, который меняется плавно. Второй: быстрые всплески от еды, физической нагрузки, стресса или артефактов датчика.

GlucoFM разделяет сигнал на два потока: «состояние» (медленный тренд) и «событие» (быстрые отклонения). Для этого используется обучаемый фильтр, который сам подбирает ширину окна сглаживания (от 10 до 60 минут). Фильтр работает только с прошлыми данными, будущие значения не «подглядывает». Пропуски в записи сохраняются как пропуски, а не заполняются приблизительными значениями.

Оба потока нарезаются на часовые фрагменты, превращаются в 128-мерные токены (числовые представления) и обучаются двумя задачами в стиле JEPA (предсказание скрытых представлений, а не пикселей): угадать замаскированные фрагменты и предсказать следующий шаг для каждого потока отдельно.

Результаты: компактная модель обходит «тяжеловесов»

В тестах на 14 комбинациях «когорта плюс задача» GlucoFM набрала 58,8 баллов PR-AUC (метрика точности классификации) против 54,7 у лучшей специализированной модели, обученной на тех же данных. Это плюс 4,1 балла, или около 7,5% в относительном выражении.

При этом GlucoFM с 0,72 миллиона параметров обошла GluFormer со 135 миллионами и MOMENT с 385 миллионами. Модель лидировала по точности на всех задачах оценки диабетического риска и дисфункции бета-клеток, а также на трёх из четырёх задач по инсулинорезистентности.

Для прогнозирования уровня глюкозы через два часа после еды модель показала среднюю ошибку 21,88 мг/дл против 22,90 у лучшего конкурента (по данным 874 приёмов пищи у 34 участников с датчиками Dexcom и Libre). Обученная всего на 20% данных, GlucoFM уже достигала уровня конкурентов, обученных на полном корпусе.

GlucoFM является исследовательским прототипом, не имеет одобрения какого-либо регуляторного органа и не предназначена для диагностики, лечения или профилактики заболеваний. : Авторы исследования (Google Research, UNSW Sydney)

Где подвох?

Все тесты ретроспективные: модель оценивалась на уже собранных данных, а не в реальном времени на пациентах. Самый крупный набор данных для обучения закрыт. Готовой модели для скачивания на момент публикации нет, обещан только код.

Для клинического применения потребуется регуляторное одобрение (в США это FDA, в России Росздравнадзор), клинические испытания и валидация на локальных популяциях. Путь от научной статьи до медицинского изделия занимает годы.

Что это значит для вас?

• Исследователям и медтехстартапам в РФ и СНГ: GlucoFM интересна именно как воспроизводимый рецепт. Архитектура компактная, обучение реально на одной видеокарте. Если у вас есть собственные данные CGM (например, из клинических исследований), можно обучить аналогичную модель под свою задачу, как только авторы выложат код. Следите за репозиторием.

• Авторам и журналистам, пишущим про искусственный интеллект в медицине: это хороший пример для объяснения читателям, что «маленькая модель бьёт большую» не маркетинг, а проверяемый результат. Ключ не в размере, а в архитектуре, которая учитывает природу данных.

• Всем, кто носит датчик глюкозы: на вашем запястье пока ничего не изменится. Это исследование, а не продукт. Но направление показывает, что анализ данных с CGM может стать точнее и дешевле в вычислительном смысле.

Рецепт открыт, железо доступно, данные собирают миллионы датчиков по всему миру. Осталось дождаться кода и проверить, воспроизводятся ли результаты на когортах за пределами пяти исходных датасетов.