स्टॅनफोर्ड युनिव्हर्सिटीच्या संशोधकांनी आर्टिफिशियल इंटेलिजन्स मॉडेल विकसित केले आहेSleepFM, पॉलीसोम्नोग्राफीद्वारे रेकॉर्ड केलेल्या एका रात्रीच्या झोपेच्या डेटावर आधारित 130 पेक्षा जास्त आरोग्य स्थिती विकसित होण्याच्या जोखमीचा अंदाज लावण्यास सक्षम आहे. झोपेच्या विश्लेषणासाठी सुवर्ण मानक मानली जाणारी ही परीक्षा मेंदू, हृदय, श्वसनक्रिया आणि शरीराच्या हालचाली यासारखे तपशीलवार शारीरिक संकेत कॅप्चर करते. मॉडेलला 65,000 हून अधिक सहभागींकडून सुमारे 585,000 तासांच्या रेकॉर्डसह प्रशिक्षित केले गेले, ज्यामुळे ते गंभीर रोगांसाठी भविष्यातील धोके दर्शविणारे नमुने ओळखू शकतील.
पॉलीसोमनोग्राफीमध्ये विशेष क्लिनिकमध्ये झोपेच्या वेळी रुग्णाला सेन्सर जोडणे समाविष्ट असते. हा डेटा, जीवसृष्टीच्या कार्याबद्दल माहितीने समृद्ध, आता वर्षांनंतर उद्भवू शकणाऱ्या परिस्थितींचा अंदाज लावतो. SleepFM व्यापक मॅन्युअल लेबलिंगची आवश्यकता न ठेवता स्वयं-पर्यवेक्षित शिक्षण वापरते, जे विशिष्ट कार्यांपुरते मर्यादित असलेल्या मागील मॉडेल्सच्या तुलनेत सुधारणा दर्शवते.
परिणाम दर्शविते की मॉडेल झोपेचे स्टेज वर्गीकरण आणि श्वसनक्रिया बंद होणे शोधणे यासारख्या पारंपारिक स्लीप विश्लेषणामध्ये सध्याच्या साधनांपेक्षा जास्त किंवा बरोबरीचे आहे.
स्लीपएफएम मॉडेलचा विकास
स्टॅनफोर्ड टीमने चॅटजीपीटी सारख्या भाषांमध्ये वापरल्या जाणाऱ्या, परंतु फिजियोलॉजिकल डेटावर लागू केलेल्या ग्राउंडेड मॉडेल दृष्टिकोनाची निवड केली. स्लीपएफएमला वेगवेगळ्या शरीराच्या सिग्नल्समधील खोल संबंध शिकण्याची अनुमती देऊन लेबल न केलेल्या डेटाच्या मोठ्या प्रमाणात प्रशिक्षण घेण्यात आले. मुख्य नवकल्पना म्हणजे सोडा-एक-आऊट विरोधाभासी शिक्षण, ज्यामध्ये मॉडेल इतरांकडून गहाळ झालेल्या सिग्नलची पुनर्रचना करते, मेंदू, हृदय आणि श्वासोच्छ्वास यांच्यातील परस्परसंबंधांची समज मजबूत करते.
हे आर्किटेक्चर टेम्पोरल सिग्नल्स आणि ट्रान्सफॉर्मर्सवर प्रक्रिया करण्यासाठी कंव्होल्युशनल नेटवर्क्स एकत्र करते आणि दीर्घ अवलंबन कॅप्चर करते. याव्यतिरिक्त, जेव्हा सिग्नल गहाळ किंवा गोंगाट असेल तेव्हा चॅनेल-अज्ञेयवादी लक्ष देण्याची यंत्रणा स्वयंचलितपणे वजन समायोजित करते, ज्यामुळे मॉडेल वेगवेगळ्या क्लिनिकल सेटिंग्जमध्ये वापरण्यासाठी मजबूत बनते. डेटासेटमध्ये वेगवेगळ्या वयोगटातील रूग्णांचा समावेश असलेल्या अनेक क्लिनिकमधील नोंदी समाविष्ट आहेत.
SleepFM ने स्लीप ॲनालिसिस टास्कमध्ये स्थिरता दाखवली आहे, पारंपारिक पर्यवेक्षित मॉडेल्सना अचूकतेमध्ये मागे टाकले आहे.
रोग अंदाज अचूकता
मॉडेलने रात्रीच्या झोपेतून वाजवी अचूकतेसह अंदाज लावता येण्याजोग्या 130 परिस्थिती ओळखल्या, ज्यात सर्व-कारण मृत्यू, स्मृतिभ्रंश, मायोकार्डियल इन्फेक्शन, हृदय अपयश, दीर्घकालीन किडनी रोग, स्ट्रोक आणि ॲट्रियल फायब्रिलेशन यांचा समावेश आहे. त्यापैकी अनेकांसाठी, करार निर्देशांक (सी-इंडेक्स) 0.80 पेक्षा जास्त आहे, जो वैयक्तिक जोखमींचे वर्गीकरण करण्याची मजबूत क्षमता दर्शवितो. कर्करोग, गर्भधारणा गुंतागुंत, रक्ताभिसरण रोग आणि मानसिक विकारांमध्ये मजबूत अंदाज आला.
- पार्किन्सन रोग: लवकर शोधण्यात उच्च अचूकता.
- स्मृतिभ्रंश: उच्च यश दराने जोखीम ओळखली जाते.
- हृदयविकाराचा झटका: निशाचर नमुने हृदयाच्या असुरक्षा प्रकट करतात.
- विशिष्ट कर्करोग: जसे की प्रोस्टेट आणि स्तन, चांगल्या कामगिरीसह.
हे परिणाम दीर्घकालीन वैद्यकीय नोंदींशी जुळण्यावर आधारित आहेत, केवळ झोपेच्या परीक्षेनंतरचे निदान लक्षात घेऊन. मॉडेल थेट निदान करत नाही, परंतु सांख्यिकीयदृष्ट्या जोखमींचे स्तरीकरण करते.
प्रशिक्षणात वापरलेला डेटा
SleepFM प्रशिक्षणामध्ये स्टॅनफोर्ड स्लीप क्लिनिकसह चार मुख्य गटातील पॉलीसोमनोग्रामचा समावेश होता, ज्याच्या नोंदी 1999 पर्यंतच्या होत्या. काही डेटा 25 वर्षांपर्यंतच्या रूग्णांकडून आला होता, ज्यामुळे आरोग्य उत्क्रांतीचे विश्लेषण केले जाऊ शकते. एकूण व्हॉल्यूम मागील स्लीप मशीन लर्निंग अभ्यासांमध्ये वापरल्या गेलेल्या सेटला अनेक पटीने मागे टाकते.
सहभागी मुलांपासून वृद्धांपर्यंत, वय आणि नैदानिक विविधता दर्शवितात. एथेरोस्क्लेरोसिसचा मल्टी-एथनिक स्टडी आणि वृद्ध पुरुषांमधील झोप विकारांचे परिणाम यासारख्या स्त्रोतांकडून मिळालेला डेटा या संचाला पूरक आहे. या स्केलमुळे आम्हाला फिजियोलॉजिकल सिग्नलमधील नैसर्गिक भिन्नता कॅप्चर करण्याची परवानगी मिळाली.
विस्तृत मॅन्युअल लेबलिंगच्या अनुपस्थितीमुळे मागील मॉडेलच्या मर्यादांचे निराकरण झाले, जे महाग आणि मर्यादित भाष्यांवर अवलंबून होते.
व्यावहारिक क्लिनिकल अनुप्रयोग
स्लीपएफएम झोपेच्या विकारांच्या निदानापलीकडे पॉलिसोमनोग्राफीचा वापर करण्याचा मार्ग मोकळा करते, त्याचे रूपांतर सामान्य आरोग्य तपासणी साधनात करते. क्लिनिकमध्ये, हे जुनाट आजारांच्या जोखमीची लवकर ओळख करण्यात मदत करू शकते, प्रतिबंधात्मक हस्तक्षेपांना परवानगी देते. सेन्सर्समधील भिन्नतेसाठी त्याची मजबूती विविध वैद्यकीय केंद्रांमध्ये अनुप्रयोग सुलभ करते.
संशोधकांनी ठळकपणे सांगितले की रात्रीचे सिग्नल हे जीवाचे एकात्मिक दृश्य प्रकट करतात, जे अखंडित तासांमध्ये कॅप्चर केले जातात. भविष्यातील आवृत्त्या स्मार्ट घड्याळे, प्रयोगशाळांच्या बाहेरील प्रवेशाचा विस्तार करून घालण्यायोग्य उपकरणांमधील डेटा एकत्रित करू शकतात.
तंत्रज्ञानाची भविष्यातील क्षमता
SleepFM मधील प्रगतीमध्ये विशिष्ट अंदाजांमध्ये मॉडेल कोणत्या पॅटर्नला प्राधान्य देते हे समजून घेण्यासाठी व्याख्या तंत्रांचा समावेश होतो. घालण्यायोग्य दैनंदिन डेटासह एकत्रीकरणामुळे जोखीम अंदाज अधिक परिष्कृत होऊ शकतात. हे मॉडेल जागतिक आरोग्याचे सूचक म्हणून सतत आणि स्केलेबल स्लीप मॉनिटरिंगच्या दिशेने एक पाऊल दर्शवते.
अतिरिक्त अभ्यास बाह्य समूहांमध्ये सामान्यीकरण चाचणी करतात, कामगिरीच्या देखभालीची पुष्टी करतात. हा मल्टीमोडल दृष्टीकोन झोपेला संपूर्ण शरीरविज्ञान मध्ये एक विंडो म्हणून हायलाइट करतो.
