Googles SensorFM: Ein Foundation Model für universelle Gesundheitsintelligenz

Google Research hat SensorFM vorgestellt, ein bahnbrechendes Foundation Model, das darauf ausgelegt ist, fragmentierte Sensordaten von Wearables in eine einheitliche Ebene der Gesundheitsintelligenz zu transformieren. Durch die Nutzung massiver Datensätze geht dieses Modell über das reine Tracking einzelner Zwecke hinaus und bietet ein umfassendes Verständnis der menschlichen Physiologie und des Verhaltens.

Über isolierte Wearable-Metriken hinausgehen

Aktuelle Wearable-Technologien verlassen sich typischerweise auf einen „Silo-Ansatz“: Ein Algorithmus erkennt Schlafphasen, ein anderer schätzt das kardiovaskuläre Risiko und ein dritter überwacht Stress. Diese fragmentierte Architektur ist ineffizient und hat Schwierigkeiten, eine ganzheitliche Sicht auf die Gesundheit eines Nutzers zu bieten.

SensorFM zielt darauf ab, diese unzusammenhängenden Modelle durch eine gemeinsame KI-Basis zu ersetzen. Es ist darauf ausgelegt, kontinuierliche, oft lückenhafte oder unvollständige Sensordaten zu verarbeiten, um eine Vielzahl von Gesundheitsfragen zu beantworten. Dieser Wandel ermöglicht die Erstellung personalisierter KI-Gesundheitsassistenten, die über ein tiefes kontextuelles Verständnis des physiologischen Zustands eines Nutzers verfügen.

Massive Skalierung und multimodale Datenintegration

Das Ausmaß des Pretrainings von SensorFM ist im Bereich der Wearables beispiellos. Google-Forscher nutzten über eine Billion Minuten multimodaler Sensordaten, die von fünf Millionen Fitbit- und Pixel Watch-Nutzern in mehr als 100 Ländern gesammelt wurden. Dieser Datensatz stellt die größte und vielfältigste Sammlung von Wearable-Daten dar, die jemals zum Training eines Modells dieser Art verwendet wurde.

Das Modell verarbeitet 34 verschiedene Merkmale, die aus fünf Kernsensortypen abgeleitet werden:

• Optical Heart Rate Monitoring (PPG): Überwachung der Herzfrequenz und der Herzfrequenzvariabilität.
• Acceleration: Überwachung von körperlicher Bewegung und Dynamik.
• Skin Conductance: Messung physiologischer Reaktionen.
• Skin Temperature: Verfolgung thermischer Veränderungen.
• Barometric Altitude: Erfassung von Höhenänderungen.

Um das inhärente „Rauschen“ von Wearable-Daten zu bewältigen, nutzt SensorFM eine Technik namens „Adaptive and Inherited Masking“ (AIM). Dies ermöglicht es dem Modell, zwischen tatsächlich fehlenden Datenpunkten und solchen, die während des Trainings künstlich maskiert wurden, zu unterscheiden, wodurch es unvollständige Datenströme rekonstruieren und verstehen kann.

Überlegene Leistung bei 35 Gesundheitsaufgaben

In strengen Tests gegenüber 35 verschiedenen Vorhersageaufgaben – die psychische Gesundheit, kardiovaskuläre Gesundheit, metabolische Marker und Schlaf abdecken – demonstrierte SensorFM eine bemerkenswerte Vielseitigkeit. Bei Tests an einem separaten Datensatz mit fast 14.000 Teilnehmern übertrafen einfache, aufgabenspezifische Modelle, die auf den Repräsentationen von SensorFM basieren, traditionelle überwachte Baselines in 34 von 35 Kategorien.

Darüber hinaus erwies sich das Modell als äußerst „label-effizient“. Da es während des Pretrainings bereits die grundlegenden Muster der menschlichen Physiologie gelernt hat, benötigt es deutlich weniger beschriftete Beispiele, um sich an neue, spezifische Aufgaben anzupassen. Diese Fähigkeit ist besonders wichtig für die Überwachung komplexer, hochgradig individueller Merkmale wie Angstzustände oder Depressionen.

Antrieb der nächsten Generation von KI-Gesundheitsagenten

Die vielleicht bedeutendste Implikation von SensorFM ist seine Integration mit Large Language Models (LLMs) wie Gemini. In experimentellen Setups lieferte SensorFM den physiologischen Kontext für einen KI-Gesundheitsagenten, der daraufhin Gesundheitszusammenfassungen zur Überprüfung durch Kliniker erstellte.

Die Ergebnisse waren beeindruckend: Zusammenfassungen, die durch SensorFM-Vorhersagen ergänzt wurden, schnitten in fünf kritischen Dimensionen – Kontext, Personalisierung, Rechtfertigbarkeit, Relevanz und Sicherheit – deutlich besser ab als Basis-Zusammenfassungen. Bemerkenswert war, dass die Leistung der KI unter Verwendung von SensorFM-Vorhersagen statistisch vergleichbar mit der Verwendung tatsächlicher klinischer Gesundheitsdaten war. Dies deutet darauf hin, dass Foundation Models bald hochpräzise Kontexte für personalisiertes digitales Gesundheitscoaching liefern könnten.

Wichtigste Erkenntnisse

• Unified Intelligence: SensorFM ersetzt fragmentierte, zweckgebundene Gesundheitsalgorithmen durch ein einziges Foundation Model, das in der Lage ist, 35 verschiedene Gesundheits- und Verhaltensaufgaben zu bewältigen.
• Unrivaled Scale: Das Modell wurde auf einer Billion Minuten multimodaler Daten von fünf Millionen Nutzern vortrainiert, was es zum größten Datensatz seiner Art macht.
• Enhanced AI Context: Durch die Einspeisung physiologischer Erkenntnisse in LLMs ermöglicht SensorFM hochgradig personalisierte und klinisch relevante Gesundheitszusammenfassungen und digitale Assistenten.