Google Research ha annunciato lo sviluppo di un nuovo modello fondamentale di intelligenza artificiale, battezzato SensorFM, che utilizza un dataset di dimensioni straordinarie per formare un sistema capace di imparare e rappresentare in modo automatico modelli fisiologici e comportamentali di grande utilità nel campo sanitario.

Il modello, presentato in un articolo accademico e in un blog post, è stato addestrato su più di un trilione di minuti di dati wearable non etichettati raccolti da cinque milioni di utenti dotati di orologi Fitbit e Pixel Watch. La quantità di informazioni, proveniente da oltre 100 paesi e dispositivi di più di 20 modelli diversi, rappresenta a detta della ricerca il dataset più esteso e vario mai utilizzato per il training di un modello del genere.

Un modello per molteplici obiettivi sanitari

Fino a oggi, molte funzioni sanitarie incorporate negli smartwatch erano dedicate a singoli compiti, ad esempio la rilevazione delle fasi del sonno, l’analisi del rischio cardiovascolare o la valutazione dello stress. Google vorrebbe invece offrire una piattaforma unificata capace di trattare tutti i dati rilevanti in tempo reale, riducendo al tempo stesso il dispendio di energie per la costruzione di modelli supervisionati ad hoc.

SensorFM è progettato per gestire 34 diversi segnali raccolti su cinque tipi principali di sensori:

    • Optical heart rate
    • Accelerometro
    • Conducibilità cutanea
    • Temperatura corporea
    • Altimetria barometrica

Questi segnali includono informazioni come frequenza cardiaca, variabilità della frequenza cardiaca, saturazione di ossigeno, fasi di sonno e movimenti. Il modello utilizza un meccanismo di training self-supervised, chiamato Adaptive and Inherited Masking (AIM), che impara ricostruendo dati nascosti, sia causati da mancanza di informazioni che da training artificiale.

I benefici crescono con la scala

Google ha confrontato le potenzialità del modello utilizzando diverse scale: quattro versioni del modello, variabili tra 100.000 e 100.000.000 parametri e datasets che vanno da 5.000 fino a 5 milioni di persone. I risultati mostrano che maggiore dimensione del modello e volume dati corrispondono a miglioramenti significativi nei risultati di preprocessing e nelle capacità predittive.

Esempio delle prestazioni:

    • Il modello più grande mostra un 31% in meno di errore nel ricostruire i dati mancanti rispetto al modello più piccolo;
    • Le sue performance predittive sono state superiori in 34 su 35 compiti;
    • Le capacità di adattamento con pochi dati etichettati (label-efficient) si rivelano particolarmente utili per parametri sensibili e personalizzati come sintomi di depressione o di ansia.

Un "Classroom" di agenti AI per migliorare le performance

Google ha anche sperimentato un contesto di apprendimento con una squadra di agenti AI collaborativi e competitivi (chiamata Classroom). Questo ambiente permette di generare e raffinare codice per ulteriori modelli predittivi, conducendo più di 30.000 esperimenti.

I modelli ottenuti hanno mostrato miglioramenti evidenti rispetto a modelli lineari sfruttando le stesse rappresentazioni generate da SensorFM.

Verso agenti medicali personalizzati

Poiché SensorFM riesce a fornire informazioni predittive accurate, Google l’ha integrato in un agente di salute personale e ha testato diverse configurazioni:

    • Una versione include solo le informazioni di base;
    • Un’altra aggiunge previsioni di SensorFM;
    • Una terza utilizza dati reali;

Quattro medici hanno valutato 93 riassunti sanitari in base a criteri come personalizzazione, attendibilità e precisione. I riassunti arricchiti con previsioni di SensorFM hanno ottenuto valutazioni significativamente migliori rispetto alla versione base in tutti i criteri testati.

Confronto con i dati reali:

    • Non sono state rilevate differenze statisticamente significative tra i riassunti basati su SensorFM e quelli costruiti con dati rilevati;
    • Ciò non significa però che SensorFM possa sostituire misurazioni clinico-esterne;
    • Il modello non sostituisce quindi diagnosi medicali certificate.

Limiti e future prospettive

Nonostante i risultati positivi, Google riconosce alcune limitazioni:

Limiti principali:

    • L’addestramento si basa esclusivamente su dati raccolti da Fitbit e Pixel Watch;
    • I dati vengono elaborati a livello di minuti, perdendo potenziali picchi o segnali a alta frequenza;
    • Tanti dei parametri usati sono basati su autoreporting, non su valutazioni cliniche;
    • La popolazione di test non rappresenta completamente la popolazione generale;
    • Il modello non è stato testato in contesti interattivi prolungati.

SensorFM attualmente rimane un modello esclusivamente di ricerca. Tuttavia, Google intende integrarlo gradualmente nei suoi sistemi, come avviene già con Gemini, il modello linguistico di base che fornisce il supporto tecnico per nuove applicazioni di IA medica.