GlucoFM: 혈당 곡선을 두 갈래로 나눠 학습한 CGM 파운데이션 모델
연속 혈당 측정기(CGM)가 그리는 혈당 그래프는 겉보기에 단순한 꺾은선 한 줄에 불과하다.
하지만 그 한 줄의 신호 속을 들여다보면 성격이 완전히 다른 두 개의 파동이 격렬하게 뒤엉켜 있다. 며칠에 걸쳐 완만하게 오르내리는 기저 대사 상태(느린 흐름)와, 밥을 먹고 30분 만에 가파르게 솟구쳤다 내려오는 식후 혈당 스파이크(빠른 변동)다.
기존의 시계열 및 헬스케어 AI 모델들은 이 두 신호를 하나의 긴 시퀀스로 뭉뚱그려 입력해 왔다. 신호 속에 서로 다른 시간 스케일이 섞여 있다는 사실은 알지만, “신경망이 알아서 딥러닝으로 풀어내겠지”라며 모델의 몫으로 떠넘겨둔 셈이다.
최근 구글 리서치(Google Research)가 공개한 최신 연구 《GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring》 [1]은 이 난제를 발상의 전환으로 돌파한다. 모델이 복잡하게 고민하기 전에, 입력 단계에서 신호를 두 갈래로 깔끔하게 쪼개놓고 학습을 시작하는 듀얼 스트림(Dual-Stream) 구조를 제안한 것이다.
어떻게 단 72만 개(0.72M)의 초경량 파라미터로 수억 개 파라미터의 거대 시계열 모델들을 제치고 최고 수준의 임상 진단 성능을 달성했는지, 그 핵심 원리와 엔지니어링 시사점을 알기 쉽게 정리했다.
1. 한 줄의 혈당 신호 속에 뒤엉킨 두 가지 시간 스케일
논문이 짚어낸 기존 AI 모델들의 근본적인 한계는 단순하다.
사람의 혈당 변화는 단일한 리듬으로 움직이지 않는다. 체질이나 인슐린 저항성에 따라 하루 안에서 공복·수면 구간을 따라 서서히 흐르는 기저 대사 배경 음악과, 식사나 운동 같은 이벤트로 인해 수십 분 만에 치솟는 이벤트 변동 독주가 합쳐진 형태다.
| 신호 구분 | 담당 생리 현상 | 시간 스케일 및 특징 |
|---|---|---|
| 느린 기저 흐름 (State) | 공복 대사, 수면 대사, 전반적 인슐린 저항성 | 수일 단위로 완만하게 오르내리는 기저 리듬 |
| 빠른 사건 변동 (Event) | 식사(탄수화물 섭취), 고강도 운동, 급성 스트레스 | 수십 분~1시간 단위의 급격한 혈당 스파이크 |
이 두 신호가 단일 스트림(Single-stream)으로 얽혀 있으면, AI는 지금 나타난 혈당 수치가 사용자의 근본적인 대사 체질 때문인지 아니면 직전에 먹은 달콤한 디저트 때문인지 명확하게 갈라내지 못하고 혼란에 빠진다.
2. 입구에서 두 갈래로 가르는 듀얼 스트림 아키텍처
구글 리서치의 GlucoFM은 “사람의 생리학적 도메인 지식을 활용해 입력단에서부터 두 신호를 수학적으로 분리해 준다”라는 원칙을 해법으로 택했다.
┌─── [ State Stream: 느린 흐름 ] ───▶ [ State 인코더 ] ──┐
│ (가우시안 필터로 평활화된 기저선) │
[ 24h CGM 신호 ] ───┤ ├──▶ [ 24개 토큰 결합 & Self-Attention ]
(5분 격자 정렬) │ │
└─── [ Event Stream: 빠른 변동 ] ───▶ [ Event 인코더 ] ──┘
(원신호 - 기저선 = 급격한 스파이크)1) 5분 격자 정렬과 결측치 마스크
센서가 불규칙하게 측정한 기록을 먼저 24시간, 5분 간격의 격자(총 288개 타임스텝)에 정렬한다.
여기서 중요한 점은 비어 있는 결측치를 그럴듯한 숫자로 메워 넣지(보간하지) 않는다는 원칙이다. 대신 실제로 측정된 위치인지 여부를 나타내는 관측 마스크(Observation Mask)를 별도로 만들어 모델에 함께 전달한다.
2) 학습 가능한 인과적 가우시안 필터
정렬된 신호는 다음 수식을 통해 두 갈래로 나뉜다.
state = 가우시안_필터(혈당_신호) # 느린 기저 흐름 (대사 상태)
event = (혈당_신호 - state) * 관측_마스크 # 빠른 변동 신호 (식사/운동 반응)이 필터 설계에는 두 가지 정교한 장치가 들어 있다.
- 인과적 및 결측치 인식(Causal & Mask-aware): 과거와 현재 데이터만 사용해 평활화하며, 미래의 혈당을 끌어다 쓰지 않는다(미래 정보 누수 방지). 또한 센서가 빠져 값이 없는 자리는 가중치 계산에서 완전히 제외한다.
- 학습 가능한 대역폭(필터 폭 σ): 어디까지를 느린 흐름으로 볼 것인지 사람이 임의의 상수로 못 박지 않았다. 필터의 폭 σ를 모델 학습 파라미터로 두고 2.0에서 12.0 사이로 제약했다. 5분 격자 기준 약 10분~60분 범위 안에서, 최적의 분리 기준점을 데이터가 스스로 찾아가도록 설계한 것이다.
[개념 짚고 가기: 인과적(Causal) 필터와 관측 마스크]
인과적 필터란 과거 시점의 데이터만을 사용해 현재의 값을 계산하는 방식입니다. 미래 시점의 혈당값을 미리 엿보지 않으므로 실제 실시간 모니터링 환경에서도 그대로 동작할 수 있습니다.
또한 연속 혈당 측정기는 센서 탈락이나 오류로 데이터가 자주 비는데, 이를 억지로 채워 넣지 않고 관측 마스크(Observation Mask)로 ’실제 측정된 값’만 골라 계산하여 데이터 왜곡을 원천 차단합니다.
이렇게 분리된 state와 event 신호는 각각 전용 인코더를 통과한 뒤, 하루를 24개의 겹치지 않는 1시간 패치로 잘라 결합된다. 결합된 토큰들 위에서 전체 Self-Attention이 돌아가며 하루 동안의 대사 상호작용을 통합적으로 해석한다.
3. 수치 복원이 아닌 잠재 표현을 맞추는 JEPA 사전학습
학습 목표(Objective)에서도 차별화된 선택을 했다.
기존 시계열 마스크 모델(MAE 계열)처럼 가려진 시점의 혈당 수치 자체를 복원시키는 대신, 잠재 공간(Latent Space)에서 해당 구간의 추상화된 표현(Representation)을 예측하는 JEPA(Joint-Embedding Predictive Architecture) 방식을 적용했다.
[ 마스킹된 패치 (50~60%) ] ──▶ [ 온라인 인코더 ] ──▶ [ 잠재 공간 표현 예측 ]
│ (SmoothL1 Loss)
[ 원본 패치 ] ──▶ [ EMA 타깃 인코더 ] ──▶ [ 실제 타깃 표현 ]- 하루 24개 시간 패치 중 50~60%를 무작위로 가린다.
- 가려진 구간의 주변 문맥을 바탕으로 그 구간의 특징 벡터를 예측한다.
- 다음 시점의 state 표현과 event 표현이 어떻게 전개될지도 함께 예측하도록 손실 함수(SmoothL1)를 설계했다.
- 정답이 되는 타깃 표현은 온라인 인코더의 가중치를 지수이동평균(EMA)으로 천천히 따라오는 별도의 타깃 인코더가 생성한다.
[개념 짚고 가기: 왜 수치 복원 대신 JEPA 잠재 표현 예측일까?]
센서 데이터에는 미세한 전기적 잡음(Noise)이나 환자의 일시적 센서 압박으로 인한 오차가 수시로 섞여 들어옵니다.
원시 수치 자체를 완벽히 복원하려 들면 모델이 이런 쓸모없는 잡음까지 억지로 학습하게 됩니다. 반면 잠재 공간에서 고차원 요약 표현을 맞추도록 유도하면, 모델은 센서 잡음을 자연스럽게 무시하고 혈당 변화의 본질적인 대사 패턴에만 집중하게 됩니다.
사전학습에는 라벨이 전혀 없는 순수 CGM 기록 109,066시간(477명분) 분량을 사용했다.
4. 72만 개 초경량 파라미터로 거대 모델을 제친 비결
GlucoFM의 또 다른 놀라운 점은 파라미터 수다. 학습되는 백본 인코더의 파라미터는 단 72만 개(0.72M) 수준에 불과하다. 3개 계층의 트랜스포머에 은닉 차원 128, 어텐션 헤드 4개로 이루어진 극도로 가벼운 구조다.
| 모델 | 파라미터 수 | 모델 유형 | 평균 PR-AUC (14개 임상 과제) |
|---|---|---|---|
| GlucoFM | 0.72M | CGM 전용 (듀얼 스트림) | 58.8 (1위) |
| MantisV2 | 4.2M | 범용 시계열 | 56.9 |
| Mantis | 8M | 범용 시계열 | 55.5 |
| CGM-JEPA | 0.52M | 기존 최고 CGM 전용 | 54.7 |
| CGMformer | 0.85M | CGM 전용 | 54.1 |
| MOMENT (large) | 385M | 범용 시계열 | 50.8 |
| Chronos-2 (120M) | 120M | 범용 시계열 | 50.4 |
385M 파라미터를 가진 범용 시계열 모델(MOMENT large)보다 500배 이상 작으면서도, 4개 코호트와 7개 임상 과제(당뇨 위험 평가, 인슐린 저항성, 베타세포 기능 장애, 글루코타입, 고지혈증, 저혈당, 비만 분류)를 교차한 14개 평가의 평균 PR-AUC·ROC-AUC·Macro-F1에서 모두 1위를 기록했다.
다만 개별 항목까지 전부 이긴 것은 아니다. PR-AUC 기준으로 상위 2위 이내가 14개 중 11개, 단독 1위는 9개다. 논문은 15분 간격으로 샘플링된 ShanghaiT2DM 코호트를 주된 예외로 지목했고, Hall 코호트의 고지혈증 과제에서는 GlucoFM이 비교 모델 12개 가운데 가장 낮은 14.4를 기록했다.
두 갈래 분리가 만들어낸 결정적 차이 (Ablation)
소거 실험(Ablation) 결과는 듀얼 스트림 설계의 정당성을 명확하게 증명한다.
| 입력 신호 구성 | 임상 진단 성능 (평균 PR-AUC) | 특징 |
|---|---|---|
| 두 갈래 결합 (State + Event) | 58.8 | 듀얼 스트림 결합으로 최고 성능 달성 |
| State만 (느린 기저 흐름) | 55.6 | 체질적 대사 흐름만 반영 |
| 원신호 그대로 (Single-stream) | 55.3 | 단일 스트림 기본 구조 |
| Event만 (빠른 식후 변동) | 51.8 | 단기 스파이크 위주 (기저선 부재) |
빠른 변동(Event)만 보면 51.8에 불과하지만, 이를 느린 기저 대사(State, 55.6) 위에 얹어 결합하는 순간 58.8로 3.2포인트 급상승했다.
다만 논문은 두 스트림이 임베딩 공간에서 실제로 얼마나 갈라졌는지를 수치로 정량화하지는 않았다. UMAP 시각화에서도 임베딩은 뚜렷한 군집이 아니라 연속적인 매니폴드를 이룬다고 보고한다. 분리가 작동했다는 근거는 위 소거 실험, 즉 state만·event만·원신호만 쓴 세 변형이 모두 듀얼 스트림보다 낮았다는 결과에서 간접적으로 나온다.
5. 기존 단일 스트림 vs GlucoFM 듀얼 스트림 비교
| 비교 항목 | 기존 단일 스트림 (Single-Stream) | GlucoFM 듀얼 스트림 (Dual-Stream) |
|---|---|---|
| 신호 처리 방식 | 24시간 원시 시계열을 통째로 입력 | 입력단에서 State(기저)와 Event(스파이크)로 분리 |
| 대역폭 분리 기준 | 인공신경망이 암묵적으로 추정 | 학습 가능한 인과적 가우시안 필터 (필터 폭 σ 자동 탐색) |
| 결측치 처리 | 임의 선형 보간 (데이터 왜곡 위험) | 관측 마스크(Observation Mask)로 실제 측정치만 연산 |
| 사전학습 목표 | MAE 원시 수치 픽셀 복원 (잡음 학습) | JEPA 잠재 공간 특징 표현 예측 (잡음 필터링) |
| 모델 크기 및 효율 | 수천만~수억 개 파라미터 필요 | 72만 개(0.72M) 초경량 파라미터로 고성능 달성 |
6. 엔지니어링 시사점: 왜 도메인 지식의 우아한 분리가 중요한가?
개인적으로 이 논문에서 가장 깊은 인상을 받은 지점은 도메인 지식을 인공신경망에 주입하는 방식의 우아함이다.
우리는 흔히 모델의 성능을 높이려 할 때, 무작정 파라미터를 수십억 개로 키우거나 복잡한 손실 함수를 덕지덕지 덧붙이는 방식을 떠올린다.
하지만 GlucoFM은 “혈당 신호는 느린 체질 대사와 빠른 외부 자극의 합성이다”라는 생리학적 상식을 학습형 필터 하나로 모델 입구에 깔끔하게 배치했다.
사람은 “두 개의 시간 스케일이 존재한다”는 큰 틀(Inductive Bias)만 구조로 잡아주고, 구체적으로 몇 분 단위로 자를지는 모델이 데이터로부터 직접 학습하도록 열어두었다.
거대한 모델을 무작정 키우는 것만이 능사가 아니며, 대상 데이터가 가진 물리적·생리학적 본질을 꿰뚫는 아키텍처 설계가 얼마나 강력한 효율을 낳는지를 보여주는 대표적인 사례다.
참고 문헌 및 원문
- [1] Li Z, Natarajan K, Zhang W, et al. GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring. arXiv:2605.30865, 2026. (arXiv 원문 · Google Research 소개 블로그)
본 글은 학술 연구 동향을 소개하기 위한 리뷰이며, 의학적 진단이나 치료 조언을 대신할 수 없습니다. 원문 저자들 또한 GlucoFM을 규제 승인을 받지 않은 연구용 프로토타입으로 명시하고 있습니다.