科学家们研发出一项开创性的人工智能系统——SleepFM，该系统基于近60万小时的多导睡眠图（polysomnography）数据，首次全面解锁睡眠的生理信息，为健康预测和疾病诊断带来了全新维度。SleepFM能够从众多生理信号中学习并提供准确的健康风险评估，标志着睡眠研究领域的重要进展。
SleepFM的核心数据来源于多导睡眠图测试，这种被誉为评估睡眠的“金标准”方法通过追踪脑活动、心脏功能、呼吸模式、眼球运动和肢体运动等生理信号，为睡眠紊乱的诊断提供了基础。然而，这些数据长期以来未能被充分分析。在过去，睡眠研究相比其他领域（如病理学和心脏病学）较少受到人工智能的关注。斯坦福大学生物医学数据科学副教授、研究联席负责人James Zou博士指出：“睡眠研究在人工智能的视角下尚属初步探索，然而它是生命中至关重要的一部分。”
为揭示这些数据中蕴含的洞察，研究团队开发了SleepFM，这是一种基础模型（foundation model），能够从超大规模数据集中学习广泛模式，并将学习成果应用于多种任务。正如大型语言模型（如ChatGPT）通过语言文本进行训练，SleepFM则是以生物信号为训练基础。
为了实现训练，研究人员将585,000小时的多导睡眠图数据分解为五秒片段，这些片段类似于训练语言AI模型的“词汇”。“SleepFM本质上是在学习睡眠的语言，”邹博士解释道。“我们在研究中实现的技术进步之一是成功地协调多种数据模式，使其统一成一种共同的语言。”这种创新方法为更准确地解读睡眠相关的健康预测提供了可能。
在评估模型性能时，研究团队采用了C指数（C-index，或一致性指数）这一指标。C指数用于衡量模型预测健康风险时间顺序的准确性，数值越高，表明模型预测的准确性越高。Zou博士也提到，一些C指数较低（通常约为0.7）的模型已经在医学实践中得到应用，例如用于预测患者对某些癌症治疗的反应的工具。SleepFM的成果令研究团队感到振奋，因为它在一系列不同的健康状况预测中展现出了意义深远的潜力。
研究团队正在进一步优化SleepFM的预测能力，并探索如何更好地解释模型的决策过程。邹博士指出，虽然目前模型并非以人类语言直接向我们“解释”其判断过程，但通过开发多种解释技术，团队可以分析模型在特定疾病预测中关注的生理信号。
研究发现，针对心血管疾病等健康问题，心脏相关信号起到了更积极的作用，而大脑信号对精神健康预测影响较大。然而，结合各类数据模式的综合分析则提供了最为准确的结果。为扩展应用前景，团队还计划将可穿戴设备数据纳入未来版本，以覆盖更广泛的生理信号并提升预测深度。
这项研究由斯坦福大学、丹麦技术大学、哥本哈根大学医院Rigshospitalet、BioSerenity公司、哥本哈根大学及哈佛医学院的研究人员共同完成。主要研究作者包括斯坦福大学的生物医学数据科学博士研究生Rahul Thapa，以及丹麦技术大学的博士研究生Magnus Ruud Kjaer。他们的贡献进一步彰显了多学科协作在科学探索中的关键作用。
随着SleepFM的持续改进，这一突破性人工智能工具有望带来睡眠医学领域的更多发现，并通过推动精准健康预测改善全球健康水平。
[人形纪元网出品] [人工智能睡眠健康预测] [多导睡眠图与疾病诊断] [SleepFM生物信号分析技术] [精准医疗与睡眠研究突破] [刘智勇频道] [RoboPony(真机智能)] [真机算法] [PixStock.online 设计智能体图库] [ZhenMeta.com] [机器姬永生人] [机器洞察网] [AI之星网] [风投高科网] [猛虎财经网] [硅基科学网] [人形纪元网] [真机量化（zhenquant.hk）] [真机内参] [高能判官] [片场狂徒] [暴徒外放] [Cognition OS] [Embodied OS] [黄金广告位]
📚 【精品资源】添加关注『人形纪元网微信公众号』，即可免费获取完整版《刘智勇频道第五卷》