SensorFM di Google: un foundation model per l'intelligenza sanitaria universale

Google Research ha presentato SensorFM, un rivoluzionario foundation model progettato per trasformare i frammentati dati dei sensori indossabili in un livello unificato di intelligenza sanitaria. Sfruttando enormi dataset, questo modello va oltre il monitoraggio a scopo singolo per fornire una comprensione completa della fisiologia e del comportamento umano.

Oltre le metriche isolate dei dispositivi indossabili

L'attuale tecnologia indossabile si affida tipicamente a un approccio "a silos": un algoritmo rileva le fasi del sonno, un altro stima il rischio cardiovascolare e un terzo monitora lo stress. Questa architettura frammentata è inefficiente e fatica a fornire una visione olistica della salute dell'utente.

SensorFM mira a sostituire questi modelli disconnessi con una base AI condivisa. È progettato per elaborare dati dei sensori continui, spesso "interrotti" o incompleti, per rispondere a una vasta gamma di quesiti sulla salute. Questo cambiamento permette la creazione di assistenti sanitari AI personalizzati che possiedono una profonda consapevolezza contestuale dello stato fisiologico dell'utente.

Scala massiccia e integrazione di dati multimodali

La scala del pre-addestramento di SensorFM non ha precedenti nel settore dei dispositivi indossabili. I ricercatori di Google hanno utilizzato oltre un trilione di minuti di dati sensoriali multimodali raccolti da cinque milioni di utenti Fitbit e Pixel Watch in oltre 100 paesi. Questo dataset rappresenta la collezione più grande e diversificata di dati indossabili mai utilizzata per addestrare un modello di questo tipo.

Il modello elabora 34 caratteristiche distinte derivate da cinque tipi principali di sensori:

• Optical Heart Rate Monitoring (PPG): Monitoraggio della frequenza cardiaca ottica (PPG): monitoraggio della frequenza cardiaca e della variabilità della frequenza cardiaca.
• Acceleration: Accelerazione: monitoraggio del movimento fisico e della mobilità.
• Skin Conductance: Conduttanza cutanea: misurazione delle risposte fisiologiche.
• Skin Temperature: Temperatura cutanea: monitoraggio dei cambiamenti termici.
• Barometric Altitude: Altitudine barometrica: rilevamento dei cambiamenti di elevazione.

Per gestire l'inerente "rumorosità" dei dati dei dispositivi indossabili, SensorFM utilizza una tecnica chiamata "Adaptive and Inherited Masking" (AIM). Ciò consente al modello di distinguere tra punti dati realmente mancanti e quelli mascherati artificialmente durante l'addestramento, permettendogli di ricostruire e comprendere flussi di dati incompleti.

Prestazioni superiori in 35 compiti sanitari

In test rigorosi su 35 diversi compiti di previsione — che spaziano dalla salute mentale alla salute cardiovascolare, dai marcatori metabolici al sonno — SensorFM ha dimostrato una straordinaria versatilità. Quando testato su un dataset separato di quasi 14.000 partecipanti, modelli semplici specifici per il compito, costruiti sulle rappresentazioni di SensorFM, hanno superato i tradizionali modelli di base supervisionati in 34 categorie su 35.

Inoltre, il modello si è dimostrato altamente "label-efficient". Poiché ha già appreso i pattern fondamentali della fisiologia umana durante il pre-addestramento, richiede significativamente meno esempi etichettati per adattarsi a nuovi compiti specifici. Questa capacità è particolarmente vitale per il monitoraggio di tratti complessi e altamente individuali come l'ansia o la depressione.

Alimentare la prossima generazione di agenti sanitari AI

Forse l'implicazione più significativa di SensorFM è la sua integrazione con i Large Language Models (LLM) come Gemini. In configurazioni sperimentali, SensorFM ha fornito il contesto fisiologico a un agente sanitario AI, che ha poi generato riepiloghi sanitari da sottoporre alla revisione dei clinici.

I risultati sono stati sorprendenti: i riepiloghi integrati con le previsioni di SensorFM hanno ottenuto punteggi significativamente più alti rispetto ai riepiloghi di base in cinque dimensioni critiche: contesto, personalizzazione, giustificabilità, rilevanza e sicurezza. In particolare, le prestazioni dell'IA utilizzando le previsioni di SensorFM sono state statisticamente comparabili all'uso di dati sanitari clinici reali, suggerendo che i foundation model potrebbero presto fornire un contesto ad alta fedeltà per il coaching sanitario digitale personalizzato.

Punti chiave

• Intelligenza unificata: SensorFM sostituisce gli algoritmi sanitari frammentati e a scopo singolo con un unico foundation model capace di gestire 35 diversi compiti sanitari e comportamentali.
• Scala senza rivali: Il modello è stato pre-addestrato su un trilione di minuti di dati multimodali provenienti da cinque milioni di utenti, rendendolo il dataset più grande del suo genere.
• Contesto AI potenziato: Alimentando gli LLM con approfondimenti fisiologici, SensorFM consente la creazione di riepiloghi sanitari e assistenti digitali altamente personalizzati e clinicamente rilevanti.