SensorFM від Google: фундаментальна модель для універсального інтелекту в галузі охорони здоров'я

Google Research представила SensorFM — революційну фундаментальну модель, розроблену для перетворення фрагментованих даних із датчиків носимих пристроїв у єдиний рівень інтелекту в галузі охорони здоров'я. Використовуючи масивні набори даних, ця модель виходить за межі однофункціонального відстеження, забезпечуючи комплексне розуміння фізіології та поведінки людини.

Поза межами ізольованих метрик носимих пристроїв

Сучасні технології носимих пристроїв зазвичай покладаються на «ізольований» підхід: один алгоритм визначає фази сну, інший оцінює серцево-судинний ризик, а третій контролює рівень стресу. Така фрагментована архітектура є неефективною і не дозволяє сформувати цілісне уявлення про стан здоров'я користувача.

SensorFM має на меті замінити ці роз'єднані моделі спільною ШІ-основою. Вона розроблена для обробки безперервних, часто «переривчастих» або неповних даних із датчиків, щоб відповідати на широкий спектр питань щодо здоров'я. Такий перехід дозволяє створювати персоналізованих ШІ-помічників зі здоров'я, які мають глибоке контекстуальне розуміння фізіологічного стану користувача.

Масштабність та інтеграція мультимодальних даних

Масштаби попереднього навчання SensorFM є безпрецедентними для сфери носимих пристроїв. Дослідники Google використали понад трильйон хвилин мультимодальних даних із датчиків, зібраних у п'яти мільйонів користувачів Fitbit та Pixel Watch у понад 100 країнах. Цей набір даних є найбільшою та найрізноманітнішою колекцією даних із носимих пристроїв, коли-небудь використаною для навчання моделі такого типу.

Модель обробляє 34 окремі ознаки, отримані з п'яти основних типів датчиків:

• Оптичний моніторинг частоти серцевих скорочень (PPG): відстеження частоти серцевих скорочень та варіабельності серцевого ритму.
• Прискорення: моніторинг фізичних рухів та переміщень.
• Проводимість шкіри: вимірювання фізіологічних реакцій.
• Температура шкіри: відстеження термічних змін.
• Барометрична висота: фіксація змін висоти.

Щоб впоратися з характерним «шумом» у даних із носимих пристроїв, SensorFM використовує метод під назвою «Adaptive and Inherited Masking» (AIM). Це дозволяє моделі розрізняти справді відсутні точки даних і ті, що були штучно замасковані під час навчання, що дає змогу реконструювати та розуміти неповні потоки даних.

Висока ефективність у 35 завданнях щодо здоров'я

Під час суворих випробувань у 35 різних завданнях із прогнозування — від ментального здоров'я та серцево-судинних захворювань до метаболічних маркерів і сну — SensorFM продемонструвала надзвичайну універсальність. При тестуванні на окремому наборі даних майже 14 000 учасників прості спеціалізовані моделі, побудовані на представленнях SensorFM, перевершили традиційні базові моделі з учителем у 34 з 35 категорій.

Крім того, модель виявилася дуже «ефективною щодо розмітки» (label-efficient). Оскільки вона вже вивчила фундаментальні закономірності фізіології людини під час попереднього навчання, їй потрібно значно менше розмічених прикладів для адаптації до нових специфічних завдань. Ця здатність є особливо важливою для моніторингу складних, індивідуальних ознак, таких як тривожність або депресія.

Створення наступного покоління ШІ-агентів зі здоров'я

Мабуть, найважливішим наслідком появи SensorFM є її інтеграція з великими мовними моделями (LLM), такими як Gemini. В експериментальних умовах SensorFM надавала фізіологічний контекст ШІ-агенту зі здоров'я, який потім генерував звіти про стан здоров'я для перевірки клініцистами.

Результати були вражаючими: звіти, доповнені прогнозами SensorFM, отримали значно вищі оцінки за п'ятьма критичними параметрами: контекст, персоналізація, обґрунтованість, релевантність та безпека. Примітно, що продуктивність ШІ з використанням прогнозів SensorFM була статистично порівняною з використанням реальних клінічних даних про здоров'я, що свідчить про те, що фундаментальні моделі незабаром зможуть надавати високоточний контекст для персоналізованого цифрового коучингу зі здоров'я.

Основні висновки

• Єдиний інтелект: SensorFM замінює фрагментовані однофункціональні алгоритми охорони здоров'я єдиною фундаментальною моделлю, здатною виконувати 35 різних завдань, пов'язаних зі здоров'ям та поведінкою.
• Неперевершений масштаб: Модель пройшла попереднє навчання на трильйоні хвилин мультимодальних даних від п'яти мільйонів користувачів, що робить цей набір даних найбільшим у своєму роді.
• Покращений контекст ШІ: Подаючи фізіологічні дані в LLM, SensorFM дозволяє створювати високоперсоналізовані та клінічно значущі звіти про здоров'я та цифрові помічники.