8组数据集检验时序基座模型：CGM血糖预测仍需领域微调与饮食多模态

持续葡萄糖监测（CGM）能够提供高频的血糖动态监测数据，并支持用于糖尿病管理的短期血糖预测。尽管时间序列基座模型已展现出强大的通用预测能力，但其在 CGM 预测中的有效性以及多模态饮食背景信息的附加价值仍未可知。我们利用涵盖 1 型糖尿病、2 型糖尿病及非糖尿病人群的八个公开 CGM 数据集进行了一项全面的实证研究。在跨越多种上下文长度和预测时域的统一协议下，零样本基座模型的表现并未持续优于 Elastic Net 和 PatchTST 等强大的特定任务基线模型。相比之下，轻量级微调显著提升了预测性能。例如，微调后的 Chronos-Bolt 在 1 型糖尿病队列中的 RMSE 降低了 6.5%–18.4%，在非糖尿病/2 型糖尿病队列中降低了 8.6%–18.2%，且在分布内和分布外测试设置中均取得了相当幅度的改善。我们利用提供时间对齐的 CGM 信号、食物图像和宏量营养素记录的 CGMacros 进一步评估了多模态饮食背景信息。相较于仅使用 CGM 的基线模型，基于残差的融合框架使整体 RMSE 降低了约 3%，餐后 RMSE 降低了约 15%。此外，即便在其他模型整合了额外饮食模态的情况下，基于 Chronos 的 CGM 表征与观察到的餐后血糖增量之间的相关性，仍强于来自 LSTM 和 CatBoost 的表征，这表明预训练的时间序列特征表征能更好地保留进餐诱发的血糖波动模式。这些研究发现表明，基座模型需要针对 CGM 进行特定适配才能实现可靠预测，且饮食背景信息能够提供超越单一 CGM 数据的具有临床意义的信号，尤其是在餐后阶段。