Google julkisti tekoälymallin, joka on koulutettu biljoonalla minuutilla puettavaa terveystietoa

Google Alphabet Inc. ↗ 0.78% Research esitteli keskiviikkona SensorFM:n, puettavan terveydenhuollon perusmallin, joka on esikoulutettu yli biljoonalla minuutilla viiden miljoonan ihmisen anturidataa. Tämä on yrityksen mukaan askel kohti yleiskäyttöistä tekoälyä jatkuvaan terveyden seurantaan.research+1

Yksi malli 35 terveydenhuollon tehtävään

Toisin kuin perinteiset puettavien laitteiden terveysmallit, jotka on rakennettu yhtä tulosta varten kerrallaan, SensorFM oppii yhden uudelleenkäytettävän esityksen ihmisen fysiologiasta, joka siirtyy sydän- ja verisuonitautien, aineenvaihdunnan, unen ja mielenterveyden aloille sekä elämäntapa- ja demografisiin tekijöihin. Malli käsittelee 34 yhden minuutin aggregoitua piirrettä viidestä anturimuodosta — mukaan lukien syke, veren happisaturaatio, ihon lämpötila ja liike — jotka on kerätty Fitbit- ja Pixel Watch -laitteista yli 100 maassa.research

Kun mallia arvioitiin 35 terveyden ennustetehtävässä, jotka oli poimittu kolmesta riippumattomasta kliinisestä tutkimuksesta, joihin osallistui lähes 14 000 henkilöä, SensorFM:n jäädytetyt upotukset (embeddings) kevyellä lineaarisella päällä suoriutuivat paremmin kuin piirteisiin perustuvat ohjatut vertailukohdat 34:ssä 35:stä tehtävästä. Malli osoittautui erityisen kykeneväksi tunnistamaan masennuksen ja ahdistuksen kaltaisia tiloja, jotka jättävät heikkoja jälkiä anturidataan.alphasignal+1

Skaalaus ilman saturaatiota

Tutkimusryhmä, jota johtivat Senior Research Scientist Xin Liu ja Staff Research Scientist Daniel McDuff, havaitsi, että mallin koon ja datamäärän skaalaaminen yhdessä tuotti lähes lineaarisia suorituskyvyn parannuksia ilman merkkejä saturaatiosta. Suurin variantti, SensorFM-B, joka koulutettiin koko viiden miljoonan ihmisen aineistolla, vähensi rekonstruktiohäviötä 31 prosenttia pienimpään malliin verrattuna ja paransi jatkoklassifioinnin suorituskykyä keskimäärin 9 prosenttia.research

Automaattista mukautumista varten tutkijat rakensivat yhteistyötä tekevien LLM-agenttien "luokkahuoneen", joka iteratiivisesti generoi, testaa ja hienosäätää ennustepäitä SensorFM-upotuksilla — tutkien yli 30 000 ehdokasratkaisua kokeiden aikana.research

Henkilökohtaisen terveysagentin perusteleminen

Kliinikoiden arvioimassa tutkimuksessa SensorFM:n integroiminen henkilökohtaiseen terveysagenttiin tuotti yhteenvetoja, jotka arvioitiin yhtä hyviksi kuin todellisiin kliinisiin mittauksiin perustuvat yhteenvedot kaikilla viidellä arviointidimensiolla, eikä mallin ennusteiden ja totuusarvojen välillä ollut tilastollisesti erotettavissa olevaa eroa. Taustalla oleva tutkimus, jonka otsikko on "Towards a General Intelligence and Interface for Wearable Health Data", julkaistiin ensimmäisen kerran arXiv-palvelussa toukokuussa ja virallisesti Google Researchin blogissa 9. heinäkuuta.arxiv+1