SensorFM من Google: نموذج تأسيسي للذكاء الصحي الشامل
كشفت Google Research عن SensorFM، وهو نموذج تأسيسي رائد صُمم لتحويل بيانات المستشعرات المجزأة من الأجهزة القابلة للارتداء إلى طبقة موحدة من الذكاء الصحي. ومن خلال الاستفادة من مجموعات بيانات ضخمة، يتجاوز هذا النموذج مجرد التتبع أحادي الغرض ليقدم فهماً شاملاً للفيزيولوجيا البشرية والسلوك.
تجاوز مقاييس الأجهزة القابلة للارتداء المنعزلة
تعتمد تقنيات الأجهزة القابلة للارتداء الحالية عادةً على نهج "منعزل": حيث تكتشف خوارزمية واحدة مراحل النوم، وتقدر أخرى مخاطر القلب والأوعية الدموية، بينما تراقب ثالثة مستويات التوتر. وتعد هذه البنية المجزأة غير فعالة وتواجه صعوبة في تقديم رؤية شاملة لصحة المستخدم.
يهدف SensorFM إلى استبدال هذه النماذج غير المترابطة بأساس مشترك للذكاء الاصطناعي. وقد صُمم لمعالجة بيانات المستشعرات المستمرة، والتي غالباً ما تكون "متقطعة" أو غير مكتملة، للإجابة على مجموعة واسعة من الأسئلة الصحية. ويسمح هذا التحول بإنشاء مساعدين صحيين يعملون بالذكاء الاصطناعي ومخصصين، يمتلكون وعياً سياقياً عميقاً بالحالة الفيزيولوجية للمستخدم.
نطاق هائل وتكامل للبيانات متعددة الوسائط
إن حجم التدريب المسبق لنموذج SensorFM غير مسبوق في مجال الأجهزة القابلة للارتداء. فقد استخدم باحثو Google أكثر من تريليون دقيقة من بيانات المستشعرات متعددة الوسائط التي تم جمعها من خمسة ملايين مستخدم لـ Fitbit وPixel Watch في أكثر من 100 دولة. وتمثل مجموعة البيانات هذه أكبر وأكثر مجموعات بيانات الأجهزة القابلة للارتداء تنوعاً استُخدمت على الإطلاق لتدريب نموذج من هذا النوع.
يعالج النموذج 34 ميزة متميزة مشتقة من خمسة أنواع أساسية من المستشعرات:
- مراقبة معدل ضربات القلب البصرية (PPG): تتبع معدل ضربات القلب وتباين معدل ضربات القلب.
- التسارع: مراقبة الحركة والنشاط البدني.
- الموصلية الجلدية: قياس الاستجابات الفيزيولوجية.
- درجة حرارة الجلد: تتبع التغيرات الحرارية.
- الارتفاع البارومتري: استشعار التغيرات في الارتفاع.
وللتعامل مع "الضجيج" المتأصل في بيانات الأجهزة القابلة للارتداء، يستخدم SensorFM تقنية تسمى "القناع التكيفي والموروث" (Adaptive and Inherited Masking - AIM). وهذا يسمح للنموذج بالتمييز بين نقاط البيانات المفقودة فعلياً وتلك التي تم حجبها اصطناعياً أثناء التدريب، مما يمكنه من إعادة بناء وفهم تدفقات البيانات غير المكتملة.
أداء فائق عبر 35 مهمة صحية
في اختبارات صارمة شملت 35 مهمة تنبؤ مختلفة — تغطي الصحة النفسية، وصحة القلب والأوعية الدموية، والمؤشرات الأيضية، والنوم — أظهر SensorFM تنوعاً ملحوظاً. وعند اختباره على مجموعة بيانات منفصلة تضم ما يقرب من 14,000 مشارك، تفوقت النماذج البسيطة المخصصة لمهام معينة والمبنية على تمثيلات SensorFM على النماذج المرجعية التقليدية الخاضعة للإشراف في 34 من أصل 35 فئة.
علاوة على ذلك، أثبت النموذج كفاءة عالية في استخدام "التصنيفات" (label-efficient). ولأنه تعلم بالفعل الأنماط الأساسية للفيزيولوجيا البشرية أثناء التدريب المسبق، فإنه يتطلب عدداً أقل بكثير من الأمثلة المصنفة للتكيف مع المهام الجديدة والمحددة. وتعد هذه القدرة حيوية بشكل خاص لمراقبة السمات المعقدة والفردية للغاية مثل القلق أو الاكتئاب.
تمكين الجيل القادم من وكلاء الصحة المدعومين بالذكاء الاصطناعي
لعل الأثر الأهم لـ SensorFM هو تكامله مع النماذج اللغوية الكبيرة (LLMs) مثل Gemini. ففي الإعدادات التجريبية، قدم SensorFM سياقاً فيزيولوجياً لوكيل صحي يعمل بالذكاء الاصطناعي، والذي قام بدوره بإنشاء ملخصات صحية لمراجعتها من قبل الأطباء.
كانت النتائج مذهلة: حيث سجلت الملخصات المعززة بتنبؤات SensorFM درجات أعلى بكثير من الملخصات المرجعية عبر خمسة أبعاد حيوية: السياق، والتخصيص، والقابلية للتبرير، والصلة، والسلامة. ومن الجدير بالذكر أن أداء الذكاء الاصطناعي باستخدام تنبؤات SensorFM كان قابلاً للمقارنة إحصائياً باستخدام البيانات الصحية السريرية الفعلية، مما يشير إلى أن النماذج التأسيسية قد توفر قريباً سياقاً عالي الدقة للتدريب الصحي الرقمي المخصص.
النقاط الرئيسية
- ذكاء موحد: يستبدل SensorFM الخوارزميات الصحية المجزأة وأحادية الغرض بنموذج تأسيسي واحد قادر على التعامل مع 35 مهمة صحية وسلوكية مختلفة.
- نطاق لا يضاهى: تم تدريب النموذج مسبقاً على تريليون دقيقة من البيانات متعددة الوسائط من خمسة ملايين مستخدم، مما يجعله أكبر مجموعة بيانات من نوعها.
- سياق ذكاء اصطناعي معزز: من خلال تغذية النماذج اللغوية الكبيرة (LLMs) بالرؤى الفيزيولوجية، يتيح SensorFM الحصول على ملخصات صحية ومساعدين رقميين مخصصين للغاية وذوي صلة سريرية.