Google stellt KI-Modell vor, das mit einer Billion Minuten an Gesundheitsdaten von Wearables trainiert wurde

Google Alphabet Inc. ↘ 1.04% Research stellte am Mittwoch SensorFM vor, ein Basismodell für die Gesundheitsüberwachung mittels Wearables, das mit mehr als einer Billion Minuten an Sensordaten von fünf Millionen Menschen vortrainiert wurde. Dies markiert laut dem Unternehmen einen Schritt in Richtung allgemeiner KI für die kontinuierliche Gesundheitsüberwachung.research+1

Ein einziges Modell für 35 Gesundheitsaufgaben

Im Gegensatz zu herkömmlichen Modellen für Wearables, die für jeweils ein Ergebnis entwickelt wurden, lernt SensorFM eine einzige wiederverwendbare Repräsentation der menschlichen Physiologie, die auf kardiovaskuläre, metabolische, Schlaf- und psychische Gesundheitsbereiche sowie auf Lebensstil- und demografische Faktoren übertragbar ist. Das Modell verarbeitet 34 einminütige Aggregatmerkmale aus fünf Sensormodalitäten — einschließlich Herzfrequenz, Blutsauerstoffsättigung, Hauttemperatur und Bewegung —, die von Fitbit- und Pixel Watch-Geräten in über 100 Ländern erfasst wurden.research

Bei der Evaluierung anhand von 35 Gesundheitsprognoseaufgaben aus drei unabhängigen klinischen Studien mit fast 14.000 Teilnehmern übertrafen eingefrorene SensorFM-Einbettungen mit nur einem leichten linearen Kopf die funktionsentwickelten überwachten Baselines bei 34 der 35 Aufgaben. Das Modell erwies sich als besonders fähig bei der Erkennung von Zuständen wie Depressionen und Angstzuständen, die schwache Spuren in Sensordaten hinterlassen.alphasignal+1

Skalierung ohne Sättigung

Das Forschungsteam unter der Leitung des Senior Research Scientist Xin Liu und des Staff Research Scientist Daniel McDuff stellte fest, dass die gleichzeitige Skalierung von Modellgröße und Datenvolumen zu nahezu linearen Leistungssteigerungen ohne Anzeichen einer Sättigung führte. Die größte Variante, SensorFM-B, die auf dem gesamten Korpus von fünf Millionen Personen trainiert wurde, reduzierte den Rekonstruktionsverlust um 31 Prozent gegenüber dem kleinsten Modell und verbesserte die nachgelagerte Klassifizierungsleistung um durchschnittlich 9 Prozent.research

Um die Anpassung zu automatisieren, bauten die Forscher ein agentisches "Klassenzimmer" aus zusammenarbeitenden LLM-Agenten, die iterativ Prognoseköpfe auf SensorFM-Einbettungen generieren, testen und verfeinern — dabei wurden über 30.000 Kandidatenlösungen in Experimenten untersucht.research

Verankerung eines persönlichen Gesundheitsagenten

In einer von Klinikern bewerteten Studie lieferte die Integration von SensorFM in einen persönlichen Gesundheitsagenten Zusammenfassungen, die über alle fünf Bewertungsdimensionen hinweg genauso gut bewertet wurden wie solche, die auf tatsächlichen klinischen Messungen basierten, wobei kein statistisch unterscheidbarer Unterschied zwischen den Modellvorhersagen und den Ground-Truth-Labels bestand. Das zugrunde liegende Papier mit dem Titel "Towards a General Intelligence and Interface for Wearable Health Data" wurde erstmals im Mai auf arXiv veröffentlicht und am 9. Juli offiziell über den Google Research-Blog angekündigt.arxiv+1