Google’ın SensorFM'i: Evrensel Sağlık Zekası İçin Bir Temel Model

Google Research, parçalı giyilebilir sensör verilerini birleşik bir sağlık zekası katmanına dönüştürmek için tasarlanmış çığır açan bir temel model olan SensorFM'i tanıttı. Bu model, devasa veri kümelerinden yararlanarak tek amaçlı takibin ötesine geçiyor ve insan fizyolojisi ile davranışlarının kapsamlı bir şekilde anlaşılmasını sağlıyor.

Silolaşmış Giyilebilir Metriklerin Ötesine Geçmek

Mevcut giyilebilir teknoloji genellikle "silolaşmış" bir yaklaşıma dayanır: bir algoritma uyku aşamalarını tespit ederken, bir diğeri kardiyovasküler riski tahmin eder ve üçüncüsü stresi izler. Bu parçalı mimari verimsizdir ve kullanıcının sağlığına dair bütünsel bir bakış açısı sunmakta zorlanır.

SensorFM, bu bağlantısız modellerin yerine paylaşılan bir yapay zeka temeli koymayı amaçlıyor. Geniş bir sağlık sorusu yelpazesini yanıtlamak için sürekli, genellikle "boşluklu" veya eksik sensör verilerini işlemek üzere tasarlanmıştır. Bu değişim, kullanıcının fizyolojik durumuna dair derin bir bağlamsal farkındalığa sahip kişiselleştirilmiş yapay zeka sağlık asistanlarının oluşturulmasına olanak tanır.

Devasa Ölçek ve Çok Modlu Veri Entegrasyonu

SensorFM'in ön eğitiminin ölçeği, giyilebilir teknoloji alanında benzeri görülmemiş bir düzeydedir. Google araştırmacıları, 100'den fazla ülkeden beş milyon Fitbit ve Pixel Watch kullanıcısından toplanan bir trilyondan fazla dakikalık çok modlu sensör verisini kullandı. Bu veri seti, bu tür bir modeli eğitmek için kullanılan şimdiye kadarki en büyük ve en çeşitli giyilebilir veri koleksiyonunu temsil ediyor.

Model, beş temel sensör tipinden türetilen 34 farklı özelliği işler:

• Optik Kalp Atış Hızı İzleme (PPG): Kalp atış hızını ve kalp atış hızı değişkenliğini takip eder.
• İvme (Acceleration): Fiziksel hareketi ve devinimi izler.
• Cilt İletkenliği (Skin Conductance): Fizyolojik tepkileri ölçer.
• Cilt Sıcaklığı (Skin Temperature): Termal değişimleri takip eder.
• Barometrik İrtifa (Barometric Altitude): Yükseklik değişimlerini algılar.

Giyilebilir verilerin doğasında bulunan "gürültülülüğü" (noisiness) yönetmek için SensorFM, "Adaptive and Inherited Masking" (AIM) adı verilen bir teknik kullanır. Bu, modelin gerçekten eksik olan veri noktaları ile eğitim sırasında yapay olarak maskelenenleri ayırt etmesini sağlayarak, eksik veri akışlarını yeniden yapılandırmasına ve anlamasına olanak tanır.

35 Sağlık Görevinde Üstün Performans

Ruh sağlığı, kardiyovasküler sağlık, metabolik belirteçler ve uyku gibi 35 farklı tahmin göreviyle yapılan titiz testlerde SensorFM, olağanüstü bir çok yönlülük sergiledi. Yaklaşık 14.000 katılımcıdan oluşan ayrı bir veri seti üzerinde test edildiğinde, SensorFM'in temsilleri üzerine inşa edilen basit göreve özel modeller, 35 kategorinin 34'ünde geleneksel denetimli (supervised) temel modelleri geride bıraktı.

Ayrıca model, son derece "etiket verimliliğine" (label-efficient) sahip olduğunu kanıtladı. Ön eğitim sırasında insan fizyolojisinin temel kalıplarını zaten öğrendiği için, yeni ve özel görevlere uyum sağlamak için önemli ölçüde daha az etiketli örneğe ihtiyaç duyar. Bu yetenek, anksiyete veya depresyon gibi karmaşık ve son derece bireysel özelliklerin izlenmesi için özellikle hayati önem taşır.

Yeni Nesil Yapay Zeka Sağlık Temsilcilerine Güç Vermek

SensorFM'in belki de en önemli sonucu, Gemini gibi Büyük Dil Modelleri (LLM'ler) ile entegrasyonudur. Deneysel kurulumlarda SensorFM, bir yapay zeka sağlık temsilcisine fizyolojik bağlam sağlamış, bu temsilci de klinisyenlerin incelemesi için sağlık özetleri oluşturmuştur.

Sonuçlar çarpıcıydı: SensorFM tahminleriyle zenginleştirilen özetler; bağlam, kişiselleştirme, gerekçelendirilebilirlik, alaka düzeyi ve güvenlik olmak üzere beş kritik boyutta temel özetlerden önemli ölçüde daha yüksek puan aldı. Özellikle, yapay zekanın SensorFM tahminlerini kullanırken sergilediği performans, gerçek klinik sağlık verilerinin kullanımıyla istatistiksel olarak karşılaştırılabilir düzeydeydi; bu da temel modellerin yakında kişiselleştirilmiş dijital sağlık koçluğu için yüksek doğruluklu bağlam sağlayabileceğini gösteriyor.

Önemli Çıkarımlar

• Birleşik Zeka: SensorFM; parçalı, tek amaçlı sağlık algoritmalarının yerini, 35 farklı sağlık ve davranış görevini yerine getirebilen tek bir temel modelle doldurur.
• Rakipsiz Ölçek: Model, beş milyon kullanıcıdan gelen bir trilyon dakikalık çok modlu veri ile ön eğitilmiştir ve bu da onu türünün en büyük veri seti yapmaktadır.
• Gelişmiş Yapay Zeka Bağlamı: SensorFM, fizyolojik içgörüleri LLM'lere aktararak son derece kişiselleştirilmiş ve klinik olarak ilgili sağlık özetleri ile dijital asistanlar sağlar.