在无创血糖监测（Non-invasive Continuous Glucose Monitoring, NI-CGM）领域，传统“一表通适用”（One-sensor-fits-all）的通用型传感模式一直面临瓶颈。由于不同个体的皮肤厚度、组织热导率、血管弹性及代谢动力学存在显著差异，基于群体数据训练的通用模型在面对具体个体时，往往精度不足，难以达到临床应用标准。
针对这一困境，中山大学（State Key Laboratory of Optoelectronic Materials and Technologies / School of Electronics and Information Technology）谢曦教授、黄鑫硕副研究员团队，联合国家先进医疗器械创新中心、中山大学附属第七医院等多家机构，提出了一种全新的 “自适应无创持续血糖监测” 范式（Adaptive Non-invasive CGM）。该技术通过短期的微创传感模块（MI-CGM）“教导”无创传感模块（NI-CGM），使 AI 模型学习并继承个体的专属生理特征，在移去微创模块后，仅凭无创设备即可实现高精度的长期血糖动态追踪。
核心技术架构：微创-无创协同与 GRU 智能继承
该自适应无创血糖监测系统采用了“双模块硬件 + 两阶段个性化学习”的整体设计，实现了从微创检测向高精度无创检测的平滑过渡。
硬件模块设计
-
• 微创传感模块（MI-CGM）：采用第二代介体型介导的电化学微电极，插入皮下测量组织间液（ISF）中的葡萄糖浓度。该模块工作电压极低（），抗干扰能力强，且不受血液氧分压波动的影响，确保了训练期血糖基准数据的准确性。 -
• 无创代谢热与心血管传感模块（NI-CGM）：集成了代谢热构象（Metabolic Heat Conformation, MHC）传感器（包括表面温度 STS、辐射温度 RTS、环境温湿度 ATS/AHS）与光电容积脉搏波（PPG）传感器。通过多波长 PPG 获取双脉搏波信号，可间接推算心率（HR）、脉搏波传导时间（PTT）、血氧饱和度（）、估计血压及血流速度（BFV）等心血管参数。
两阶段继承策略
1.短期协同训练阶段（约 2 天）：受试者同时佩戴微创与无创模块。系统同步采集个体的微创 ISF 血糖数据与无创生理参数（代谢热 + 心血管参数 + 时间节律）。利用基于门控循环单元（GRU）的神经网络进行个性化迁移学习，建立特定个体的生理参数与真实血糖之间的映射模型。
2.长期无创追踪阶段（后续数日及长期）：模型训练完成后，移除微创模块，受试者仅需佩戴无创手表状设备。个性化 AI 模型根据输入的无创生理参数与生活节律（如进餐时间标记），实时预测绝对血糖值及其动态变化趋势。
[附图位置：引用自原论文 Fig. 4] 图表名称与概要：人体系育试验设计、皮尔逊相关性分析与 GRU-DNN 个性化 AI 模型架构。详细解析了输入参数（代谢热、心血管指标、时间编码）如何通过双 GRU 通道与深层神经网络（DNN）融合，输出高精度的血糖预测值。
算法创新与多维度生理融合
葡萄糖的氧化代谢不仅提供能量，还会产生代谢热。在人体处于相对平静状态时，体内产生的代谢热与通过热辐射（R）、热对流（C）及蒸发发散（E）散失到外部环境的总散热量（THD）保持平衡：
然而，单一的热量指标无法准确推算复杂的血糖浓度。研究团队通过融合心血管动力学指标（如 BFV、HR、BP），建立了综合推算函数：
在 AI 模型设计上，系统采用了双通道 GRU 配合深度神经网络（DNN）的结构：
-
• GRU#1：负责处理历史时间序列中的无创生理参数，提取与当前血糖相关的时序特征。 -
• GRU#2：负责解析个体历史血糖波动的动态趋势模式。 -
• 自定义损失函数：在模型训练过程中，同时对“绝对血糖值误差（MSE）”与“血糖变化趋势误差”施加惩罚，避免了传统模型仅关注静态数值而忽视动态趋势的问题。
横向技术对比与临床表现评估
为客观评估自适应个性化方案的优势，研究团队将其与基于通用群体数据集训练的传统通用无创模型（General NI-CGM）进行了对比测试。测试包含 18 名受试者（9 名糖尿病患者与 9 名健康对照），累积采集了超过 4000 个高频有效数据点。
|
|
|
|
|
|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
关键实验结果
1.短期监测精度（5天连续测试）：自适应方案在 18 名受试者中的平均绝对相对差（MARD）达到 15.6%，显著优于通用无创模型的 51.7%。克拉克误差格点分析（Clark’s EGA）显示，自适应方案的预测点绝大多数落在临床安全的 Zone A。
2.长间隔再使用重现性（>2个月后）：6 名受试者在间隔超过 2 个月后重新测试，在加入单点校准（1-point calibration）以消除设备佩戴相位偏移后，自适应系统仍保持了 23.9% 的 MARD 精度，验证了该个性化模型在长期跨度下的稳定性。
行业启示与现实挑战
行业启示
本研究为无创血糖监测以及智能穿戴医疗设备提供了一种全新的研发范式。它打破了“要么完全微创、要么完全无创”的二元对立，创造性地利用“短期微创建立基线 + 无创长效继承”的复合模式。这一“AI 驱动的个性化传感器（Personalized Biosensing）”理念，未来有望扩展至乳酸、皮质醇等其他弱信号、高个体异质性的连续生物标志物监测中。
局限性与未来挑战
尽管该技术展示了良好的应用前景，但在推向大规模临床与消费级落地之前，仍面临以下现实挑战：
1.生活场景的复杂性：当前人体试验主要在控制良好的实验室环境下完成（每日测试 5-6 小时）。在真实日常生活中，剧烈运动产生的运动伪影（Motion Artifacts）、环境剧烈温湿度变化以及夜间睡眠时的姿态改变，可能会对无创代谢热和 PPG 信号产生较强干扰。
2.用户操作门槛与依从性：用户在初始阶段需要同时佩戴微创与无创两套设备，并在日常使用中手动标记进餐时间。这种较为繁琐的操作流程对普通患者的依从性提出了要求。
3.因果机制与鲁棒性验证：AI 模型在学习过程中可能吸收了某些非因果的虚假相关性（如特定的作息节律）。未来需要引入对抗性扰动测试与生理干预实验，从因果层面进一步验证模型的生物学可解释性。
4.硬件功耗与体积优化：集成了多种传感器与无线传输模块的穿戴设备在连续工作时的功耗较高，如何在保持设备轻量化、佩戴舒适度的前提下提高续航，是量产化道路上的关键工程问题。
参考资料
Yao, C., Gao, L., Wang, X. et al. Adaptive personalization for wearable non-invasive continuous glucose sensors. Nat Commun 17, 11211 (2026). https://doi.org/10.1038/s41467-026-74531-w
审核 | 医工学人理事会
