Universidade:n Stanford:n tutkijat kehittivät tekoälymallinSleepFM, joka pystyy ennustamaan riskin sairastua yli 130 sairauteen yhden yön unen polysomnografialla tallennettujen tietojen perusteella. Esse-tutkimus, jota pidetään unianalyysin kultaisena standardina, tallentaa yksityiskohtaisia fysiologisia signaaleja, kuten aivot, sydän, hengitystoiminta ja kehon liikkeet. Mallia koulutettiin noin 585 000 tunnin tietueella yli 65 000 osallistujalta, minkä ansiosta se pystyi tunnistamaan kuvioita, jotka viittaavat tuleviin vakaviin sairauksiin.
Polysomnografiassa anturit kiinnitetään potilaaseen unen aikana erikoistuneissa klinikoissa. Esses-data, joka sisältää runsaasti tietoa organismin toiminnasta, palvelee nyt ennustamaan olosuhteita, jotka voivat ilmaantua vuosia myöhemmin. SleepFM käyttää itseohjattua oppimista ilman laajoja manuaalisia merkintöjä, mikä on parannus aiempiin malleihin, jotka on rajoitettu tiettyihin tehtäviin.
Tulokset osoittavat, että malli ylittää tai vastaa nykyisiä työkaluja perinteisessä unianalyysissä, kuten univaiheen luokittelussa ja apnean havaitsemisessa.
SleepFM-mallin kehittäminen
Stanford-tiimi valitsi maadoitettuun malliin perustuvan lähestymistavan, joka on samankaltainen kuin ChatGPT:n kaltaisissa kielissä, mutta sovellettiin fysiologisiin tietoihin. Harjoittelussa käytettiin valtavia määriä merkitsemätöntä dataa, mikä antoi SleepFM:lle mahdollisuuden oppia syviä suhteita eri kehon signaalien välillä. Keskeinen innovaatio on “jätä yksi pois” kontrastiivinen oppiminen, jossa malli rekonstruoi puuttuvan signaalin muista ja vahvistaa ymmärrystä aivojen, sydämen ja hengityksen välisistä yhteyksistä.
Tämä arkkitehtuuri yhdistää konvoluutioverkot ajallisten signaalien käsittelemiseksi ja muuntajat pitkien riippuvuuksien sieppaamiseksi. Além Lisäksi kanavaagnostinen huomiomekanismi säätää painot automaattisesti, kun signaali puuttuu tai on kohinaa, mikä tekee mallista kestävän käytettäväksi erilaisissa kliinisissä olosuhteissa. Aineisto sisälsi tietueita useilta klinikoilta, jotka kattoivat eri-ikäisiä potilaita.
SleepFM on osoittanut vakautta unianalyysitehtävissä, ja se on ylittänyt perinteisten valvottujen mallien tarkkuuden.
Tarkkuus sairauden ennustamisessa
Malli tunnisti 130 sairautta, jotka voidaan ennustaa kohtuullisella tarkkuudella yöunien perusteella, mukaan lukien kaikista syistä johtuva kuolleisuus, dementia, sydäninfarkti, sydämen vajaatoiminta, krooninen munuaissairaus, aivohalvaus ja eteisvärinä. Para monien sopimusindeksi (C-indeksi) ylittää 0,80, mikä osoittaa vahvaa kykyä luokitella yksittäisiä riskejä. Previsões vahvin esiintyi syövissä, raskauskomplikaatioissa, verenkiertosairauksissa ja mielenterveyshäiriöissä.
- Parkinson-sairaus: suuri tarkkuus varhaisessa havaitsemisessa.
- Dementia: riski, joka on tunnistettu korkealla onnistumisprosentilla.
- Sydänkohtaus: yölliset kuviot paljastavat sydämen haavoittuvuuksia.
- Tietyt syövät: kuten eturauhas- ja rintasyövät, joilla on hyvä suorituskyky.
Nämä tulokset perustuvat täsmäämiseen pitkäaikaisten lääketieteellisten tietojen kanssa, ottaen huomioon vain unitutkimuksen jälkeiset diagnoosit. Malli ei diagnosoi suoraan, vaan kerrostaa riskit tilastollisesti.
Koulutuksessa käytetyt tiedot
SleepFM-koulutus sisälsi polysomnogrammeja neljästä pääkohortista, mukaan lukien Stanford:n uniklinikalta, ja tietueet ulottuvat vuoteen 1999. Kokonaismäärä ylittää aiemmissa unikoneoppimistutkimuksissa käytetyt sarjat useita kertoja.
Osallistujat vaihtelevat lapsista vanhuksiin, mikä kuvastaa ikää ja kliinistä monimuotoisuutta. Dados sellaisista lähteistä kuin Multi-Ethnic Study Atherosclerosis ja Outcomes Sleep Disorders Older Men täydensi sarjaa. Essa-asteikko mahdollisti fysiologisten signaalien luonnollisten vaihtelujen sieppaamisen.
Laajojen manuaalisten merkintöjen puuttuminen ratkaisi aikaisempien mallien rajoitukset, jotka perustuivat kalliisiin ja rajoitettuihin huomautuksiin.
Käytännön kliiniset sovellukset
SleepFM avaa tien polysomnografian käytölle unihäiriöiden diagnosoinnin lisäksi muuttaen sen yleiseksi terveysseulontatyökaluksi. Klinikoilla se voi auttaa kroonisten sairauksien riskien varhaisessa tunnistamisessa, mikä mahdollistaa ennaltaehkäisevät toimenpiteet. Sua kestävyys anturien vaihteluille helpottaa käyttöä eri lääketieteellisissä keskuksissa.
Tutkijat korostavat, että yösignaalit paljastavat integroidun näkymän organismista keskeytyksettä tuntien aikana. Futuras-versiot voivat integroida tietoja puetettavista laitteista, kuten älykelloista, mikä laajentaa pääsyä laboratorioiden ulkopuolelle.
Teknologian tulevaisuuden potentiaali
SleepFM:n edistysaskeleet sisältävät tulkintatekniikoita, joiden avulla voidaan ymmärtää, mitkä mallit priorisoivat tietyissä ennusteissa. Integração puettavien laitteiden päivittäisten tietojen avulla voi tarkentaa riskiarvioita entisestään. Malli edustaa askelta kohti jatkuvaa ja skaalautuvaa unen seurantaa globaalin terveyden indikaattorina.
Lisätutkimukset testaavat yleistämistä ulkoisissa kohortteissa, mikä vahvistaa suorituskyvyn säilymisen. Essa multimodaalinen lähestymistapa korostaa unta ikkunana yleiseen fysiologiaan.
