Google dévoile un modèle d’IA entraîné sur un billion de minutes de données de santé provenant d’objets connectés

Google Alphabet Inc. ↘ 1.04% Research a présenté mercredi SensorFM, un modèle de fondation pour la santé via des objets connectés qui a été pré-entraîné sur plus d'un billion de minutes de données de capteurs provenant de cinq millions de personnes, marquant ce que l'entreprise décrit comme une étape vers une IA à usage général pour le suivi continu de la santé.research+1

Un modèle unique pour 35 tâches de santé

Contrairement aux modèles de santé conventionnels pour objets connectés conçus pour un résultat à la fois, SensorFM apprend une représentation unique et réutilisable de la physiologie humaine qui se transfère aux domaines cardiovasculaire, métabolique, du sommeil et de la santé mentale, ainsi qu'aux facteurs de style de vie et démographiques. Le modèle ingère 34 caractéristiques agrégées d'une minute provenant de cinq modalités de capteurs — incluant la fréquence cardiaque, la saturation en oxygène du sang, la température de la peau et le mouvement — capturées par des appareils Fitbit et Pixel Watch dans plus de 100 pays.research

Lorsqu'il a été évalué sur 35 tâches de prédiction de santé tirées de trois études cliniques indépendantes impliquant près de 14 000 participants, les plongements (embeddings) gelés de SensorFM avec seulement une tête linéaire légère ont surpassé les références supervisées conçues manuellement sur 34 des 35 tâches. Le modèle s'est révélé particulièrement capable de détecter des affections comme la dépression et l'anxiété qui laissent des traces ténues dans les données des capteurs.alphasignal+1

Mise à l'échelle sans saturation

L'équipe de recherche, dirigée par le chercheur scientifique principal Xin Liu et le chercheur scientifique Daniel McDuff, a constaté que la mise à l'échelle simultanée de la taille du modèle et du volume de données produisait des gains de performance quasi linéaires sans signe de saturation. La plus grande variante, SensorFM-B, entraînée sur le corpus complet de cinq millions de personnes, a réduit la perte de reconstruction de 31 pour cent par rapport au plus petit modèle et a amélioré les performances de classification en aval de 9 pour cent en moyenne.research

Pour automatiser l'adaptation, les chercheurs ont construit une "salle de classe" agentique composée d'agents LLM collaborateurs qui génèrent, testent et affinent de manière itérative des têtes de prédiction sur les plongements de SensorFM, explorant plus de 30 000 solutions candidates à travers des expériences.research

Fondement d'un agent de santé personnel

Dans une étude évaluée par des cliniciens, l'intégration de SensorFM dans un agent de santé personnel a produit des résumés jugés aussi bons que ceux basés sur des mesures cliniques réelles sur les cinq dimensions d'évaluation, sans différence statistiquement distinguable entre les prédictions du modèle et les étiquettes de vérité terrain. Le document sous-jacent, intitulé "Towards a General Intelligence and Interface for Wearable Health Data", a été publié pour la première fois sur arXiv en mai et officiellement annoncé via le blog de Google Research le 9 juillet.arxiv+1