- Google Researchが2026年8月26日、血糖データ専用のAI「GlucoFM」を発表しました
- 10万9066時間・477人分の血糖データを事前学習に使っています
- 食後2時間の血糖予測で誤差21.88mg/dL、既存の最良手法を上回りました
- パラメータはわずか0.72M。1億3500万の競合AIの約187分の1の軽さで性能は上です
- ただし医療機器ではなく研究段階。日本の「予備群こみ約1800万人」にどう関わるかも解説します
腕に貼った小さなセンサーが、あなたの2時間後の血糖値を言い当てる。しかもそのAIは、スマホでも動きそうなほど軽い。Google Researchが公開した「GlucoFM」は、そんなモデルです。何ができて、何ができないのかを整理します。
GlucoFMとは？Googleがつくった血糖専用のAI
2026年8月26日、Google Researchが「GlucoFM」を発表しました。
これはCGMのデータだけを学んだAIです。CGM（持続血糖測定器）は、腕などに貼って血糖値を数分おきに測り続ける小さなセンサーのこと。
論文はarXivで公開されています（arXiv:2605.30865）。著者はGoogle ResearchのAhmed A. Metwally氏とZechen Li氏ら。オーストラリアのニューサウスウェールズ大学や米テキサスA&M大学の研究者も加わりました。
狙いはシンプルです。ぐにゃぐにゃした血糖の折れ線から、その人の代謝の状態を読み取ること。
何を予測できるの？
GlucoFMが試されたのは、次の7つのタスクです。
- 糖尿病リスク
- インスリン抵抗性（インスリンの効きにくさ）
- β細胞機能不全（インスリンをつくる細胞の弱り）
- 高脂血症
- 低血糖
- 肥満
- グルコタイプ分類（血糖の変動パターンの型分け）
加えて、食後2時間の血糖値がどう上がってどう下がるかの予測もこなします。
つまり「今の体の状態を当てる」と「これから起きることを当てる」の両方ができる、ということです。
仕組み｜10万9066時間のデータを「2つの流れ」に分ける
まず学習データの規模から。
事前学習に使ったのは10万9066時間の無ラベル血糖データです。477人分・セッション分の記録にあたります。
内訳はWear-CGM、ShanghaiT2DM、Stanford、BIG IDEAs、Colasという5つのデータセット。中国と米国など、地域も測定機器もばらばらの寄せ集めです。
使ったGPUはNVIDIA H100が1枚だけ。120エポック回して完成しました。大手だけの特権とは言えない規模感です。
デュアルストリーム構造という工夫
GlucoFM最大の特徴がデュアルストリーム（2本立て）構造です。
血糖の波には、性質のちがう2つの動きが混ざっています。
ひとつは何時間もかけてゆっくり上下する「ベースライン」。もうひとつは食事や運動でピクッと跳ねる「短時間の揺れ」です。
従来のAIは、これを1本の流れにまとめて処理していました。季節の移り変わりと今日の夕立を、同じ物差しで測っているようなものです。
GlucoFMはこの2つを別々の流れに分けて学習します。じわじわ進む体質の変化と、その場かぎりの反応を混同しない設計です。
入力の形にも工夫があります。24時間を5分刻みの288個の点に並べ直し、1時間ごとの24個のかたまりにまとめます。
センサーが外れてデータが欠けた時間帯も、「ここは欠けている」という情報ごと保持します。現実のCGMは、シャワーや不具合でしょっちゅう穴があくからです。
数字で見る実力｜誤差21.88mg/dL、PR-AUC 58.8
論文が出した数字を見ていきます。
食後2時間の予測誤差は21.88mg/dL
34人・874件の食事イベントで検証した結果、GlucoFMの平均絶対誤差は21.88mg/dLでした。平均絶対誤差（MAE）とは、予測と実測のズレの平均のことです。
既存の最良手法は22.90mg/dL。単純に平均値を答えるだけのやり方は27.69mg/dLでした。
検証にはDexcomとFreeStyleリブレという、方式のちがう2機種を使っています。特定の機種とだけ相性がいい、という話ではないわけです。
7タスク平均のPR-AUCは58.8
分類タスクの成績はPR-AUCという指標で測ります。見つけにくい少数の該当者をどれだけ拾えたかを示す数字で、高いほど優秀です。
GlucoFMはタスク平均58.8。同じデータで学習し直した既存の最強モデルは54.7でした。4.1ポイント差、率にして約7.5%の改善です。
14のコホート×タスクの評価では、24項目中21項目で1位。データセットをまたいだ転移でも、12回中11回勝っています。
実は、データが少ないときほど差が開きました。1つの分類につき1人分しかお手本がなくても、観測データの1%しか使えなくても、GlucoFMが首位を守っています。
そして7日分をまとめて見せると、成績はさらに9.6〜14.0ポイント伸びました。1日だけ測るより、1週間つけっぱなしにする価値がある、というデータです。
GluFormer・CGMformerとの比較｜小さいのに勝てた理由
血糖の基盤モデルはGlucoFMが初めてではありません。比較相手を整理します。
- GluFormer：Nature掲載。1万812人・1000万件超の血糖測定値で学習。19の外部コホート、5カ国、8機種で検証済み。パラメータは1億3500万
- CGMformer：糖尿病予備群の早期発見を狙った深層学習モデル
- CGM-JEPA：自己教師あり学習でCGMを表現するモデル
- MOMENT：時系列データ全般の汎用モデル。パラメータ3億8500万
対するGlucoFMのパラメータは、学習対象が0.72M（72万）、総数でも1.18M（118万）。
GluFormerの約187分の1、MOMENTの約535分の1です。中身は3層のTransformer、隠れ層128次元、注意ヘッド4つ。驚くほど小ぶりです。
それでいて平均PR-AUCは、GluFormerの最良版を5.8ポイント上回りました。
勝因は規模ではなく設計だ、というのが著者らの主張です。血糖という「決まった形をもつ信号」に構造を合わせたほうが、パラメータ数で殴るより効いた、というわけですね。
ただし公平に見ておきたい点もあります。GluFormerは学習に使った人数が1万人超とけた違いに多く、得意分野も少しちがいます。GluFormerは健康な状態からのズレを見るのが得意。GlucoFMは糖尿病リスクやβ細胞機能の評価で強い、という住み分けです。
どんな場面で役に立つ？身近な3つのシーン
具体的に想像してみてください。
40代の会社員が、健康診断で「血糖値がちょっと高めですね」と言われたとします。治療するほどではない、と言われてそれきりです。
ここで2週間だけセンサーを貼り、そのデータをGlucoFMのようなAIに通す。すると「β細胞はまだ元気だが、インスリンの効きが落ちている」といった手がかりが出てきます。同じ「高め」でも、打つべき手はまるで変わります。
次は子育て中の30代のケース。毎朝食べているグラノーラのあと、昼前になるとどっと眠くなる。
食後2時間の血糖カーブを予測できれば、そのだるさが血糖の急上昇と急降下によるものか、単なる睡眠不足かの見当がつきます。誤差21.88mg/dLは診断には粗すぎますが、傾向をつかむには足ります。
3つ目は病院側の話です。糖尿病外来では、患者が持ってくる2週間分のCGMグラフを医師が目で追います。1人あたり数分。それが1日に何十人分も続きます。
AIが先に「この2週間で注目すべきは火曜と木曜の夜間」と印をつけてくれれば、医師は判断そのものに時間を使えます。
日本への影響｜予備群こみ約1800万人の国で
日本は、このニュースがとりわけ効いてくる国です。
厚生労働省が2025年12月に公表した2024年の国民健康・栄養調査では、「糖尿病が強く疑われる者」が約1100万人。「可能性を否定できない者」も約700万人います。
合わせると約1800万人。成人のおよそ10人に1人（男性17.7%、女性9.3%）です。治療を受けている総患者数だけでも552万2000人にのぼります（2023年患者調査）。
しかも日本には、CGMが普及する土台があります。
FreeStyleリブレは2016年5月に国内で承認され、2017年1月に発売されました。2022年度の診療報酬改定では、インスリン療法を受けているすべての糖尿病患者に保険適用が広がりました。
さらに2024年4月からは「選定療養」の枠ができ、インスリンを使っていない人でもリブレ2を使える公式ルートが整っています。
つまり日本には「センサーは手に入るのに、出てきたグラフの読み方がわからない」人が大量にいるわけです。GlucoFMのようなモデルが埋めようとしているのは、まさにこの隙間です。
ちなみにGoogleは2026年8月12日、FitbitとPixel Watch向けに「インスリン抵抗性トレンド」機能も発表しています。
こちらは血糖を直接測るのではなく、心拍・心拍変動・睡眠・皮膚温などから傾向を推定する仕組み。SensorFMという別の基盤モデルを使い、100カ国超・500万人・1兆分超のウェアラブルデータで学習しています。
血糖そのものを読むGlucoFMと、血糖以外から迫るSensorFM。Googleは代謝の健康を両側から攻めている、と見ていいでしょう。
注意点｜まだ医療機器ではありません
期待が先走らないよう、線を引いておきます。
論文と公式ブログは「診断・治療・治癒・予防を目的としたものではない」と明記しています。規制当局の承認も受けていません。あくまで研究用のプロトタイプです。
発表時点では、学習済みモデル本体（チェックポイント）も公開されていません。コードと再現用スクリプトは公開の準備が進んでいる段階です。
技術的な限界は、著者ら自身が挙げています。
- 代謝の反応は、人・集団・センサー機種によって大きく違う
- 事前学習に使った規模（477件）はまだ小さい
- 24時間の窓をひとつずつ独立に処理しており、数週間〜数か月かけて進む変化は扱えない
- リアルタイムの変化への対応は今後の課題
「477人で学んだAIが、1万人で学んだAIに勝った」という結果は確かに痛快です。ただ、それは限られた評価データセット上の話。実際の患者集団で同じことが起きるかは、これから確かめる段階にあります。
よくある質問（FAQ）
Q1. GlucoFMは今すぐ使えますか？
A. 使えません。研究段階のプロトタイプで、学習済みモデルは未公開です。コードと再現スクリプトは公開準備中とされています。
Q2. 血糖センサーがなくても使えますか？
A. 使えません。CGMで測った血糖データが前提です。針を刺さずに血糖を測る技術は、まだ実用化されていません。GoogleがPixel Watch向けに出した機能も、血糖そのものは測っていません。
Q3. 誤差21.88mg/dLは実用に足りますか？
A. 用途しだいです。空腹時血糖はおよそ70〜110mg/dLの範囲なので、20台の誤差は診断や投薬の判断には粗すぎます。一方、食後の傾向をつかんで生活を見直すヒントとしては十分な水準です。
Q4. なぜパラメータが少ないのに強いのですか？
A. 血糖信号の構造にモデルを合わせたからです。24時間の周期性、5分刻みの規則性、遅い波と速い波の混在。この決まった形に沿って設計したため、少ないパラメータで済みました。汎用の巨大モデルを持ってくるより効率がいい、という結果です。
Q5. 日本で使われているリブレのデータでも動きますか？
A. 検証にはDexcomとFreeStyleリブレの両方が使われ、機種をまたいだ性能が示されています。ただし日本人集団を対象にした検証は行われていません。
まとめ
- Google Researchが2026年8月26日、CGM専用の基盤モデル「GlucoFM」を発表した
- 10万9066時間・477人分の無ラベル血糖データで事前学習している
- 血糖を「ゆっくりした流れ」と「短時間の揺れ」の2本に分けるデュアルストリーム構造が特徴
- 食後2時間の予測誤差は21.88mg/dL、7タスク平均PR-AUCは58.8で既存最強を4.1ポイント上回った
- パラメータは0.72M。1億3500万のGluFormerの約187分の1の軽さで上回った
- ただし医療機器ではなく、モデル本体も未公開。実患者集団での検証はこれから
まずは自分の健康診断の結果を引っ張り出して、空腹時血糖とHbA1cの数字を確認してみてください。気になる水準なら、CGMが保険や選定療養で使えるかを、かかりつけ医に相談するところが第一歩になります。
参考文献
- GlucoFM: Foundation model for continuous glucose monitoring – Google Research Blog（2026年8月26日）
- GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring – arXiv:2605.30865
- A foundation model for continuous glucose monitoring data – Nature（GluFormer）
- 令和6年 国民健康・栄養調査結果の概要 – 厚生労働省
- インスリン療法を行っているすべての糖尿病患者さんにFreeStyleリブレの保険適用が拡大 – アボットジャパン
こんな時代だから遊んで学びたい
AIを学ぶオンラインサロン「AIフレンズ」では、生成AIを楽しく、どこよりも優しく学べる環境をご用意しております。
毎週開催されるオンラインセッションでは、リアルタイムで学び合える機会を提供しています。 さらに、月に一度のオフラインイベントでは、メンバー同士が直接交流し、アイデアや知識を深めることができます。
「AIフレンズ」の仲間とともに、新しい価値を創造し、可能性を広げてみませんか？
一緒に学び、成長しながら、生成AIを使いこなす力を身につけましょう！
