SensorFM Google: Model Asas untuk Kecerdasan Kesihatan Universal

Google Research telah memperkenalkan SensorFM, sebuah model asas perintis yang direka untuk mengubah data penderia boleh pakai yang terfragmentasi kepada satu lapisan kecerdasan kesihatan yang bersatu. Dengan memanfaatkan set data yang besar, model ini melangkaui penjejakan tujuan tunggal untuk memberikan pemahaman menyeluruh tentang fisiologi dan tingkah laku manusia.

Melangkaui Metrik Boleh Pakai yang Terasing

Teknologi boleh pakai semasa biasanya bergantung kepada pendekatan "terasing" (siloed): satu algoritma mengesan peringkat tidur, satu lagi menganggarkan risiko kardiovaskular, dan yang ketiga memantau tekanan. Seni bina yang terfragmentasi ini tidak cekap dan sukar untuk memberikan pandangan holistik tentang kesihatan pengguna.

SensorFM bertujuan untuk menggantikan model-model yang tidak bersambung ini dengan satu asas AI yang dikongsi. Ia direka untuk memproses data penderia yang berterusan, yang sering kali "bercelah" (gappy) atau tidak lengkap, untuk menjawab pelbagai persoalan kesihatan. Peralihan ini membolehkan penciptaan pembantu kesihatan AI peribadi yang mempunyai kesedaran kontekstual yang mendalam tentang keadaan fisiologi pengguna.

Skala Besar dan Integrasi Data Multimodal

Skala pra-latihan SensorFM adalah belum pernah terjadi sebelum ini dalam ruang boleh pakai. Penyelidik Google menggunakan lebih daripada satu trilion minit data penderia multimodal yang dikumpul daripada lima juta pengguna Fitbit dan Pixel Watch di lebih 100 buah negara. Set data ini mewakili koleksi data boleh pakai terbesar dan paling pelbagai yang pernah digunakan untuk melatih model jenis ini.

Model ini memproses 34 ciri berbeza yang diperoleh daripada lima jenis penderia teras:

  • Pemantauan Kadar Jantung Optik (PPG): Menjejak kadar jantung dan variabiliti kadar jantung.
  • Pecutan (Acceleration): Memantau pergerakan fizikal dan gerakan.
  • Kekonduksian Kulit (Skin Conductance): Mengukur tindak balas fisiologi.
  • Suhu Kulit: Menjejak perubahan terma.
  • Altitud Barometrik: Mengesan perubahan ketinggian.

Untuk menangani "hingar" (noisiness) yang sedia ada dalam data boleh pakai, SensorFM menggunakan teknik yang dipanggil "Adaptive and Inherited Masking" (AIM). Ini membolehkan model tersebut membezakan antara titik data yang benar-benar hilang dengan titik data yang dikaburkan secara buatan semasa latihan, membolehkannya membina semula dan memahami aliran data yang tidak lengkap.

Prestasi Unggul Merentasi 35 Tugasan Kesihatan

Dalam ujian ketat terhadap 35 tugasan ramalan yang berbeza—merangkumi kesihatan mental, kesihatan kardiovaskular, penanda metabolik, dan tidur—SensorFM menunjukkan kepelbagaian yang luar biasa. Apabila diuji pada set data berasingan yang melibatkan hampir 14,000 peserta, model khusus tugasan ringkas yang dibina berasaskan representasi SensorFM telah mengatasi garis dasar (baseline) penyeliaan tradisional dalam 34 daripada 35 kategori.

Tambahan pula, model ini terbukti sangat "cekap label" (label-efficient). Oleh kerana ia telah mempelajari corak asas fisiologi manusia semasa pra-latihan, ia memerlukan contoh berlabel yang jauh lebih sedikit untuk menyesuaikan diri dengan tugasan baharu yang khusus. Keupayaan ini amat penting untuk memantau ciri-ciri yang kompleks dan sangat bersifat individu seperti kegelisahan atau kemurungan.

Memacu Generasi Seterusnya Ejen Kesihatan AI

Mungkin implikasi yang paling ketara bagi SensorFM ialah integrasinya dengan Model Bahasa Besar (LLM) seperti Gemini. Dalam tetapan eksperimen, SensorFM menyediakan konteks fisiologi kepada ejen kesihatan AI, yang kemudiannya menjana ringkasan kesihatan untuk disemak oleh klinisi.

Keputusannya sangat mengejutkan: ringkasan yang dipertingkatkan dengan ramalan SensorFM mendapat skor yang jauh lebih tinggi daripada ringkasan garis dasar merentasi lima dimensi kritikal: konteks, pemperibadian, kebolehhujahan, kerelevanan, dan keselamatan. Secara ketara, prestasi AI menggunakan ramalan SensorFM adalah setanding secara statistik dengan penggunaan data kesihatan klinikal sebenar, menunjukkan bahawa model asas mungkin tidak lama lagi dapat menyediakan konteks berketepatan tinggi untuk bimbingan kesihatan digital peribadi.

Ringkasan Utama

  • Kecerdasan Bersatu: SensorFM menggantikan algoritma kesihatan tujuan tunggal yang terfragmentasi dengan satu model asas tunggal yang mampu mengendalikan 35 tugasan kesihatan dan tingkah laku yang berbeza.
  • Skala Tiada Tandingan: Model ini telah menjalani pra-latihan pada satu trilion minit data multimodal daripada lima juta pengguna, menjadikannya set data terbesar bagi jenisnya.
  • Konteks AI yang Dipertingkatkan: Dengan menyalurkan cerapan fisiologi ke dalam LLM, SensorFM membolehkan ringkasan kesihatan dan pembantu digital yang sangat diperibadikan serta relevan secara klinikal.