Google Research ha presentato SensorFM, un modello di base capace di apprendere rappresentazioni generali di fisiologia e comportamento umano da enormi quantità di dati non etichettati delle tecnologie indossabili raccolti da oltre 5 milioni di utenti. Il modello può essere applicato a 35 diverse funzioni sanitarie e comportamentali.
Un Modello Generale Per Sanità E Comportamento
Attualmente, molte caratteristiche sanitarie degli indossabili vengono progettate con un singolo scopo: una riconosce le fasi del sonno, un’altra stima i rischi cardiovascolari, e un’altra analizza i segnali di stress o marcatori metabolici. Google intende sostituire questi approcci settoriali con una fondazione di AI condivisa in grado di interpretare dati sensoriali continui, spesso frammentati, da dispositivi indossabili, tagliando drasticamente la necessità di dati di addestramento etichettati in maniera costosa, e fornisce in futuro input personalizzati agli assistenti sanitari basati sull’AI.
Google Research ha introdotto SensorFM attraverso un post sul proprio blog e un documento accademico. SensorFM apprende rappresentazioni generali, riusabili, di schemi fisiologici e comportamentali a partire da grandi quantità di dati non etichettati provenienti da tecnologie indossabili. I ricercatori hanno utilizzato oltre un trilione di minuti di dati da più di 5 milioni di utenti di Fitbit e Google Pixel Watch, raccolti in oltre 100 nazioni e da più di 20 diversi modelli di dispositivi. Secondo gli autori, si tratta del dataset degli indossabili più grande e diversificato mai utilizzato per un modello di questo tipo.
Maggiore Quantità Di Dati Migliora Prestazioni Di SensorFM
SensorFM elabora 34 feature tratte da cinque tipi di dati sensoriali: rilevamento ottico della frequenza cardiaca (pletismografia fotopletismografica o PPG), accelerometro, conduttanza cutanea, temperatura cutanea e barometro. Queste feature comprendono frequenza cardiaca, variabilità della frequenza cardiaca, saturazione di ossigeno del sangue, stadi del sonno e dati di movimento. Il modello viene addestrato in modo self-supervised ricostruendo segmenti di dati intenzionalmente mascherati.
Tecnica chiamata "Mascheramento Adattivo e Inerente" (AIM), identifica sia valori mancanti reali che valori nascosti artificialmente durante l’addestramento, in modo che SensorFM impari a gestire entrambe le tipologie di dati mancanti.
Prestazioni Migliori Mano A Mano Che Cambiano Dimensioni
Man mano che crescono la dimensione del modello e la quantità di dati di addestramento, le prestazioni di SensorFM migliorano. I quattro modelli testati variano da circa 100.000 a 100 milioni di parametri, e le dimensioni dei dataset di addestramento oscillano da 5.000 a 5 milioni di persone. Sui dataset più grandi, l'errore di ricostruzione del modello più grande era del 31% inferiore a quello del modello più piccolo. La configurazione più grande ha anche esibito le prestazioni migliori su la maggior parte delle predittive di downstream.
Eccellenza Su 34 Su 35 Task
I ricercatori hanno testato SensorFM sui dati di tre studi separati con un totale di 13.985 partecipanti. Il modello non aveva mai visto questi dati durante l’addestramento. Hanno valutato SensorFM su 35 task predittivi che coprono salute cardiovascolare e metabolica, salute mentale, sonno, demografia e stile di vita.
Secondo lo studio, modelli semplici a task-specific che fanno uso delle rappresentazioni apprese da SensorFM superano i modelli di base sorvegliati a feature indossabili realizzate manualmente in 34 task su 35. Addestramento su larga scala rende SensorFM più efficiente rispetto ai modelli di supervisione. Può adattarsi a nuove attività con esempi etichettati relativamente pochi, e aumentando di dimensioni, dipende meno da ulteriori informazioni demografiche. Gli autori ritengono che l'addestramento su grandi scale possa essere particolarmente utile per tratti difficili da misurare che possono variare molto tra individui, come sintomi di depressione e ansia.
Agente Sanitario Personale Sostenuto Da SensorFM
Per adattare le rappresentazioni apprese da SensorFM a nuove attività, i ricercatori hanno creato "un ambiente di apprendimento" formato da agenti di grandi modelli di linguaggio interagenti. Questi agenti generavano, testavano e raffinavano ripetutamente codice per modelli predittivi di downstream, conducendo oltre 30.000 esperimenti. I modelli che ne derivano superano i modelli linearmente semplici basati sulle stesse rappresentazioni di SensorFM in 28 su 35 task predittivi.
I ricercatori hanno anche integrato SensorFM in un agente sanitario personale e hanno comparato tre varianti: una ha ricevuto le predizioni di SensorFM sui diversi marcatori sanitari, un’altra ha ricevuto i valori noti effettivi per gli stessi marcatori, la terza non ha ottenuto alcuna informazione aggiuntiva ed è servita come base.
Evaluatione Medica Dei Riassunti Sanitari
I quattro clinici hanno valutato 93 riassunti sanitari riguardanti 31 profili di partecipanti reali, passando più di 40 ore e producendo 1.860 valutazioni individuali. Il risultato? I riassunti arricchiti con le predizioni di SensorFM hanno superato significativamente la base in tutti e cinque i criteri misurati: contesto, personalizzazione, giustificabilità, rilevanza e sicurezza. Non è emersa una differenza statisticamente significativa complessiva tra i riassunti che utilizzavano le predizioni di SensorFM e quelli che utilizzavano i dati sanitari effettivi già noti. Detto questo, non significa tuttavia che SensorFM possa essere un sostituto per misurazioni cliniche o diagnostici.
Limitazioni E Potenziale Futuro
I ricercatori evidenziano diverse limitazioni. Il modello SensorFM è stato addestrato e testato unicamente su dati provenienti da dispositivi Fitbit e Google Pixel Watch. Non è stato verificato né sperimentalmente né in condizioni reali con altri dispositivi di fitness. Il modello non funziona con segnali ad alta risoluzione grezzi, ma con dati aggregati al livello di ogni minuto, il che significa che i pattern molto brevi o con particolari dettagli possono andare persi.
Molti dei marcatori sanitari che il team ha esaminato si basano su auto-rapporti, documenti di farmaci o questionari, e non su risultati clinici confermati. La popolazione di studio non rappresenta pienamente la popolazione generale. Inoltre, l'assistente sanitario è stato valutato solo in un contesto static