Google SensorFM: Model Fundacyjny Przekształcający Dane z Urządzeń Noszonych w Inteligentne Rozwiązania Zdrowotne

Google Research zaprezentowało SensorFM, innowacyjny model fundacyjny, który ma na celu zrewolucjonizowanie sposobu, w jaki wykorzystujemy dane z urządzeń noszonych. Model ten uczy się ogólnej reprezentacji fizjologii i zachowań człowieka, bazując na ogromnej ilości danych zebranych od pięciu milionów osób. SensorFM może być zastosowany do 35 różnych zadań związanych ze zdrowiem i zachowaniem, oferując uniwersalne podejście w miejsce dotychczasowych, często odizolowanych rozwiązań.

Obecnie większość funkcji zdrowotnych w urządzeniach noszonych jest projektowana do konkretnego celu – jeden model śledzi fazy snu, inny ocenia ryzyko sercowo-naczyniowe, a jeszcze inny analizuje stres czy markery metaboliczne. Google dąży do zastąpienia tych fragmentarycznych metod wspólną podstawą sztucznej inteligencji. Ma ona interpretować ciągłe, często niekompletne dane z sensorów w kontekście wielu pytań zdrowotnych, zmniejszyć zapotrzebowanie na kosztowne, etykietowane dane treningowe i ostatecznie dostarczać spersonalizowane informacje asystentom zdrowotnym opartym na sztucznej inteligencji.

Architektura i Trening SensorFM

SensorFM, szczegółowo opisany w poście na blogu Google Research i towarzyszącej mu pracy naukowej, uczy się ogólnej, wielokrotnego użytku reprezentacji wzorców fizjologicznych i behawioralnych z dużych ilości nieetykietowanych danych z urządzeń noszonych. Naukowcy wykorzystali ponad bilion minut multimodalnych danych z sensorów od pięciu milionów użytkowników Fitbit i Pixel Watch do wstępnego treningu. Dane pochodziły z ponad 100 krajów i zostały zebrane za pomocą ponad 20 różnych modeli urządzeń Fitbit i Pixel Watch, co czyni ten zbiór danych największym i najbardziej zróżnicowanym, jaki kiedykolwiek użyto do trenowania modelu tego typu.

Model SensorFM przetwarza 34 cechy pochodzące z pięciu typów danych sensorycznych: optycznego monitorowania tętna (fotopletyzmografia, PPG), przyspieszenia, przewodności skóry, temperatury skóry i wysokości barometrycznej. Cechy te obejmują między innymi tętno, zmienność tętna, nasycenie krwi tlenem, fazy snu i dane dotyczące ruchu. Model jest trenowany w sposób samonadzorowany poprzez rekonstrukcję celowo maskowanych segmentów danych. Technika ta, nazwana „Adaptacyjnym i Dziedziczonym Maskowaniem” (AIM), oznacza zarówno faktycznie brakujące wartości, jak i wartości sztucznie ukryte podczas treningu, dzięki czemu SensorFM uczy się radzić sobie z obydwoma typami luk w danych.

Wydajność i Zastosowania

Badacze zauważyli, że wydajność systemu systematycznie poprawia się wraz ze wzrostem rozmiaru modelu i objętości danych. Cztery testowane warianty modelu wahały się od około 100 000 do 100 milionów parametrów, a zbiory danych treningowych obejmowały od 5 000 do pięciu milionów osób. W przypadku największego zbioru danych treningowych, błąd rekonstrukcji największego modelu był o 31 procent niższy niż najmniejszego. Największa konfiguracja osiągnęła również najlepsze wyniki w większości zadań predykcyjnych.

SensorFM został przetestowany na danych z trzech niezależnych badań, obejmujących łącznie 13 985 uczestników, których dane nie były wykorzystywane podczas wstępnego treningu. Model oceniono w 35 zadaniach predykcyjnych, obejmujących zdrowie sercowo-naczyniowe i metaboliczne, zdrowie psychiczne, sen, demografię i styl życia. Nawet proste modele zbudowane na podstawie reprezentacji SensorFM przewyższały nadzorowane modele bazowe z ręcznie tworzonymi cechami w 34 z 35 zadań. Skalowane wstępne trenowanie sprawiło również, że SensorFM był bardziej efektywny pod względem etykietowania w porównaniu do nadzorowanych modeli bazowych, wymagając mniej etykietowanych przykładów do adaptacji do nowych zadań. Autorzy uważają, że skalowane wstępne trenowanie może być szczególnie przydatne w przypadku trudno mierzalnych cech, które znacznie różnią się między osobami, takich jak objawy depresji i lęku.

Do adaptacji reprezentacji SensorFM do nowych zadań, naukowcy stworzyli „klasę” konkurujących i współpracujących agentów LLM. Agenci ci wielokrotnie generowali, testowali i udoskonalali kod dla modeli predykcyjnych, przeprowadzając ponad 30 000 eksperymentów. Modele, które znaleźli, przewyższały proste liniowe modele oparte na tych samych reprezentacjach SensorFM w 28 z 35 zadań predykcyjnych.

Integracja z Asystentem Zdrowotnym i Ograniczenia

Badacze zintegrowali również SensorFM z osobistym agentem zdrowotnym, porównując trzy warianty. Wszystkie otrzymywały informacje demograficzne i codzienne podsumowania z danych z urządzeń noszonych, obejmujące aktywność, sen, tlen we krwi i temperaturę skóry. Jeden wariant otrzymywał również przewidywania SensorFM dotyczące różnych markerów zdrowotnych, drugi otrzymywał rzeczywiste znane wartości tych samych markerów, a trzeci nie otrzymywał żadnych dodatkowych informacji i służył jako punkt odniesienia.

Czterech klinicystów oceniło 93 podsumowania zdrowotne dla 31 rzeczywistych profili uczestników, poświęcając ponad 40 godzin i generując 1 860 indywidualnych ocen. Wynik: podsumowania wzbogacone o przewidywania SensorFM uzyskały znacznie wyższe wyniki niż punkt odniesienia we wszystkich pięciu wymiarach mierzonych przez zespół: kontekst, personalizacja, uzasadnienie, trafność i bezpieczeństwo. Nie stwierdzono statystycznie istotnej różnicy między podsumowaniami wykorzystującymi przewidywania SensorFM a tymi, które wykorzystywały rzeczywiste dane zdrowotne. Należy jednak zaznaczyć, że nie oznacza to, iż SensorFM może zastąpić pomiary kliniczne czy diagnozy.

Naukowcy wskazują na kilka ograniczeń. SensorFM był trenowany i testowany wyłącznie na danych z urządzeń Fitbit i Pixel Watch. Otwartą kwestią pozostaje, czy wyniki przeniosą się na inne urządzenia noszone. Model nie pracuje również z surowymi sygnałami o wysokiej rozdzielczości, lecz z danymi zagregowanymi na poziomie minutowym, co oznacza, że bardzo krótkie lub drobnoziarniste wzorce mogą zostać utracone. Wiele badanych markerów zdrowotnych opiera się na samoocenach, zapisach medycznych lub kwestionariuszach, a nie na klinicznie potwierdzonych wynikach. Populacja badana nie reprezentuje również w pełni ogólnej populacji, a agent zdrowotny był oceniany jedynie w statycznym środowisku z pojedynczymi odpowiedziami, a nie w dłuższych rozmowach z pytaniami uzupełniającymi.

SensorFM jest obecnie modelem wyłącznie badawczym. Google oferuje już Google Health Coach oparty na Gemini, który dostarcza spersonalizowanych wskazówek dotyczących kondycji, snu, regeneracji i innych tematów zdrowotnych. SensorFM mógłby ostatecznie służyć jako techniczna podstawa dla takich funkcji, ale Google nie ogłosiło jeszcze konkretnych planów integracji go z Fitbit, Pixel Watch czy asystentem AI.

Szersze konsekwencje dla zdrowia cyfrowego

Rozwój SensorFM przez Google Research stanowi znaczący krok w kierunku stworzenia bardziej zintegrowanych i inteligentnych systemów monitorowania zdrowia. Potencjał modelu do przetwarzania zróżnicowanych danych z urządzeń noszonych i adaptacji do wielu zadań zdrowotnych może w przyszłości przyczynić się do bardziej spersonalizowanej i proaktywnej opieki zdrowotnej. Chociaż istnieją pewne ograniczenia i konieczność dalszych badań, SensorFM wskazuje na kierunek, w którym technologia AI może wspierać lepsze zrozumienie ludzkiego organizmu i poprawę jakości życia, potencjalnie zmniejszając obciążenie systemów opieki zdrowotnej poprzez wczesne wykrywanie i prewencję.

Źródło: the-decoder.com