一个名为 SleepFM 的人工智能系统通过近 60 万小时的睡眠记录，为个人健康预测带来了革命性进展。这些记录来自 6.5 万名患者的多导睡眠监测（polysomnography, PSG）。多导睡眠监测被广泛认为是评估睡眠的“金标准”，通常在实验室环境下进行，用于诊断睡眠障碍。该技术通过多种传感器记录大脑活动、心脏功能、呼吸模式、眼动、肢体动作及其他生理信号。不仅如此，研究人员还发现，这些记录中蕴含的大量生理信息此前很少被全面分析和利用。
斯坦福大学生物医学数据科学副教授、《SleepFM》研究的共同高级作者 James Zou 博士表示：“从人工智能的视角来看，睡眠研究仍然较为冷门。尽管睡眠作为人类生活的核心部分至关重要，但相比心脏病学或病理学，相关AI研究寥寥无几。”
为充分挖掘这些宝贵的生理数据，研究团队研发了一种称为基础模型（foundation model）的人工智能技术。此类模型可以从大规模数据集中学习通用模式，并将这些模式应用于多种任务，类似 ChatGPT 等大语言模型的运作方式。然而，与训练于文本的数据模型不同，SleepFM 的设计专注于生物信号。
通过 58.5 万小时的 PSG 数据，SleepFM 被训练为“学习睡眠语言”的AI系统。研究团队将每段睡眠记录划分为五秒的片段，这些片段就像训练语言模型的单词，让系统理解多维度的生理信号模式。Zou 解释道：“我们在技术上取得了一项重要突破，那就是让不同类型的生理数据以统一的方式协同工作，从而构建出一个能够识别通用睡眠语言的模型。”
SleepFM 展示了其在多种健康预测场景中的潜在价值。通过衡量 AI 模型风险预测能力的 C 指数（一致性指数），研究验证了 SleepFM 在预测心血管疾病、心理健康等方面的可靠性。C 指数衡量的是模型对健康事件发生顺序的准确预测能力。Zou 指出：“令人惊讶的是，对于一组条件多样的健康状况，SleepFM 都能够作出具有指导意义的预测。”
目前在医疗实践中广泛使用的某些预测工具，通常拥有 0.7 左右的 C 指数，而 SleepFM 的表现明显优于这一标准。然而，团队仍在努力优化模型的预测性能，同时探索其决策机制。“虽然 SleepFM 无法用人类语言解释它的判定逻辑，”Zou 补充道，“但我们开发了一些解释性技术，以解码模型对疾病分类时所关注的信号来源。”
值得注意的是，SleepFM 在健康预测中的表现源于多种生理信号的整合。研究发现，心脏信号对于心血管疾病预测更为重要，而脑信号在心理健康预测中贡献更大。然而，精度最高的预测来自于综合分析所有信号类型的策略。
研究还指出，未来的 SleepFM 版本可能会加入可穿戴设备的数据，以扩展对生理信号的记录范围，从而实现更广泛的健康分析。
此次研究由多机构团队合作完成，包括丹麦科技大学、哥本哈根大学医院 Rigshospitalet、BioSerenity、哥本哈根大学以及哈佛医学院。Rahul Thapa（斯坦福大学生物医学数据科学博士生）和 Magnus Ruud Kjaer（丹麦科技大学博士生）共同担任研究的首席作者。
SleepFM 的研究不仅凸显了人工智能在解析生物信号中的潜力，也为睡眠科学与精准医疗提供了全新思路。其基础模型方法现已证明，通过多模态数据的解读，AI 系统有可能为医疗实践提供有力支持。研究团队对这一系统的未来充满了信心，并计划进一步加强其性能和应用范围。
[人形纪元网出品] [人工智能健康预测] [睡眠研究与生物信号] [精准医疗与多模态数据] [AI算法与心血管疾病预测] [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》