CGM-JEPA: 예측적 자기 지도 학습을 통한 일관된 연속 혈당 측정 표현 학습

연속 혈당 측정(CGM) 데이터는 기기나 측정 환경에 따라 데이터 형태가 달라져 범용적인 분석 모델을 만들기 어려웠다. 이 논문은 원시 데이터를 복원하는 대신 추상적인 특징을 예측하는 JEPA 구조를 도입하여, 병원 검사 결과와 가정용 센서 데이터 간의 격차를 줄이고 인슐린 저항성 등 대사 질환의 조기 진단 가능성을 높였다.

기존의 시계열 자가 지도 학습은 주로 마스킹된 부분의 실제 수치를 맞추는 복원(Reconstruction) 방식에 집중했다. 하지만 혈당 데이터는 센서의 종류나 환자의 일상 활동에 따라 수치 자체의 변동성이 크기 때문에, 단순 수치 복원은 모델이 데이터의 본질적인 생리학적 패턴보다는 표면적인 노이즈에 집착하게 만드는 한계가 있다.

CGM-JEPA는 이 문제를 해결하기 위해 Joint Embedding Predictive Architecture(JEPA)를 도입했다. 이는 마스킹된 구간의 '값'이 아니라 그 구간이 가져야 할 '의미적 특징(Embedding)'을 예측하도록 유도한다. 마치 문장에서 빠진 단어의 철자를 맞추는 것이 아니라 문맥상 어떤 의미의 단어가 올지 예측하는 것과 유사한 원리이다.

특히 X-CGM-JEPA는 혈당의 시간적 변화뿐만 아니라 전체적인 혈당 분포(Glucodensity)를 동시에 고려한다. 이를 통해 특정 시점의 데이터가 누락되거나 센서 오차가 발생하더라도, 환자의 전반적인 대사 상태를 나타내는 고차원적 특징을 일관되게 추출할 수 있게 되어 진단의 신뢰도를 높였다.

CGM-JEPA는 24시간 단위의 혈당 데이터를 1시간 간격의 24개 패치로 분할하여 입력값으로 사용한다. 컨텍스트 인코더는 가려지지 않은 패치들을 입력받아 특징 벡터를 생성하고, 타겟 인코더는 전체 데이터를 입력받아 각 패치의 잠재 표현을 생성한다. 예측기는 컨텍스트 인코더의 출력값을 바탕으로 가려진 패치의 잠재 표현을 예측하며, 두 잠재 표현 사이의 L1 손실 함수를 최소화하는 방향으로 학습한다.

[입력 패치 벡터 → 타겟 인코더 통과 → 잠재 표현 z 생성] → [가려진 위치 정보 + 가시적 패치 특징 → 예측기 통과 → 예측 표현 z_hat 생성] → [z와 z_hat의 차이 계산 → 오차 역전파 → 인코더 가중치 갱신] 순으로 연산이 수행된다. 타겟 인코더는 컨텍스트 인코더의 지수 이동 평균(EMA)으로 업데이트되어 학습의 안정성을 보장한다.

X-CGM-JEPA는 여기에 Glucodensity 뷰를 추가한다. Glucodensity는 혈당 수치, 속도, 가속도의 결합 분포를 나타내는 3채널 이미지 형태의 데이터이다. [CGM 컨텍스트 특징 → 교차 뷰 예측기 통과 → 마스킹된 Glucodensity 특징 예측] 과정을 통해 시간 정보와 분포 정보를 상호 보완적으로 학습하며, 최종 손실 함수는 CGM 예측 손실과 Glucodensity 예측 손실의 가중합으로 정의된다.

인슐린 저항성(IR)과 베타 세포 기능 장애 예측 실험에서 X-CGM-JEPA는 모든 평가 지표에서 1위 또는 2위를 차지했다. 특히 병원 데이터로 학습하고 가정용 기기 데이터로 테스트하는 전이 학습(Transfer) 시나리오에서 기존 가장 강력한 베이스라인인 PCA 기반 모델 대비 AUROC가 3.6포인트 향상되었다.

데이터 효율성 분석 결과, 전체 라벨링된 데이터의 50%만 사용했을 때도 CGM-JEPA 계열은 0.770의 AUROC를 기록하여 100% 데이터를 사용한 다른 모델들과 대등하거나 우수한 성능을 보였다. 이는 자가 지도 학습을 통해 추출된 특징이 매우 효과적임을 입증한다.

인구통계학적 분석에서는 X-CGM-JEPA가 특정 인종(아시아계)이나 성별(여성)에서 발생하던 성능 저하 문제를 크게 개선했음이 확인되었다. 아시아계 그룹의 AUROC 편차는 기존 대비 25~54% 감소하여 모델의 공정성과 범용성이 강화되었다.

본 연구는 시계열 데이터에 JEPA 구조를 적용한 최초의 사례 중 하나로, Transformer 기반의 경량 아키텍처를 채택했다. 컨텍스트 인코더는 96차원의 임베딩과 6개의 헤드, 3개의 레이어로 구성된 Transformer 블록을 사용하며, 패치 임베딩에는 커널 크기 3의 1D Convolution을 적용했다.

핵심 차별점은 '추상화 우선(Abstraction-first)' 접근법이다. 기존의 Contrastive Learning(예: TS2Vec)이나 Masked Modeling(예: GluFormer)이 데이터의 표면적 유사성이나 수치 복원에 치중하는 것과 달리, CGM-JEPA는 잠재 공간에서의 예측을 통해 생리학적으로 유의미한 불변적 특징을 학습하도록 설계되었다.

Glucodensity 뷰 생성 시에는 Gaussian Kernel Density Estimation(KDE)을 사용하여 혈당 수치와 그 변화율을 32x32 그리드 상에 매핑한다. 이 이미지는 다시 8x8 크기의 16개 패치로 분할되어 Vision Transformer 스타일로 처리되며, 시간 도메인 모델이 놓칠 수 있는 통계적 분포 정보를 보강하는 역할을 수행한다.

본 연구는 두 개의 코호트(N=27, N=17)라는 상대적으로 작은 규모의 데이터셋에서 검증되었으며, 단일 종류의 CGM 기기 데이터를 주로 사용했다. 또한 패치 단위의 발산 분석은 통계적 경향성을 보여주나 명확한 인과 관계를 설명하기에는 한계가 있으며, 실제 의료 현장 적용을 위해서는 더 대규모의 다기관 검증이 필요하다.