IT之家 1 月 6 日消息，一晚的睡眠狀態(tài)中，或許潛藏著能提前數(shù)年預測重大疾病發(fā)生的線索。

糟糕的睡眠質(zhì)量通常會導致次日昏沉困倦，但它也可能在嚴重健康問題顯現(xiàn)前數(shù)年就發(fā)出預警信號。斯坦福大學醫(yī)學院的研究人員開發(fā)出一套全新的人工智能系統(tǒng)，該系統(tǒng)能夠通過分析單晚睡眠產(chǎn)生的詳細人體信號，評估一個人患上百余種不同疾病的風險概率。

據(jù)IT之家了解，這套名為 SleepFM 的系統(tǒng)，其訓練數(shù)據(jù)源自約 6.5 萬人的近 60 萬小時睡眠監(jiān)測記錄。這些記錄均來自多導睡眠監(jiān)測技術(shù) —— 這是一種深度睡眠檢測手段，會通過傳感器整夜追蹤受試者的腦電波活動、心律變化、呼吸模式、眼球運動、腿部動作以及其他多項生理信號。

睡眠研究：潛藏的海量數(shù)據(jù)寶庫

多導睡眠監(jiān)測技術(shù)被公認為研究睡眠機制最可靠的方法，通常需在專業(yè)實驗室中進行整夜監(jiān)測。研究人員發(fā)現(xiàn)，除了用于診斷睡眠障礙外，這類監(jiān)測還能捕捉到人體在數(shù)小時連續(xù)狀態(tài)下的大量機能運轉(zhuǎn)信息。

“我們在開展睡眠研究時，會記錄數(shù)量驚人的生理信號?！贬t(yī)學博士、哲學博士埃馬紐埃爾?米格諾特表示。他是克雷格?雷諾茲睡眠醫(yī)學講席教授，同時也是這項新研究的共同資深作者。該研究成果于今日（1 月 6 日）發(fā)表在《自然 - 醫(yī)學》期刊上。“這相當于讓受試者在完全受控的狀態(tài)下，接受長達 8 小時的全身生理機能檢測。其數(shù)據(jù)量極為龐大，而傳統(tǒng)睡眠研究僅聚焦于其中一小部分信號，絕大部分數(shù)據(jù)的價值尚未被挖掘。人工智能技術(shù)的進步，首次讓全面分析這些完整數(shù)據(jù)流成為可能。研究人員指出，這是全球首例如此大規(guī)模地將人工智能應用于睡眠數(shù)據(jù)的研究?！?/p>

“從人工智能的研究視角來看，睡眠領(lǐng)域的探索相對匱乏。目前已有大量人工智能研究投入到病理學、心臟病學等領(lǐng)域，但盡管睡眠是人類生命中至關(guān)重要的一環(huán)，針對它的人工智能研究卻寥寥無幾?！鄙镝t(yī)學數(shù)據(jù)科學副教授、該研究共同資深作者鄒嘉彥（James Zou，音譯）博士說道。

訓練人工智能“讀懂”睡眠信號

為了挖掘這些數(shù)據(jù)的潛在價值，研究團隊構(gòu)建了一個基礎模型 —— 這是一種能從海量數(shù)據(jù)集中學習通用規(guī)律，并適配多種不同任務的人工智能類型。以 ChatGPT 為代表的大型語言模型，采用的正是與之相同的技術(shù)原理，區(qū)別僅在于后者的訓練對象是文本數(shù)據(jù)，而非人體生理信號。

SleepFM 的訓練數(shù)據(jù)，是從多家睡眠診所患者處采集的 58.5 萬小時多導睡眠監(jiān)測數(shù)據(jù)。研究人員將每段監(jiān)測記錄切分為 5 秒的片段，這種處理方式與用詞匯訓練語言模型的思路十分相似。

“SleepFM 本質(zhì)上是在學習‘睡眠的語言’?！编u嘉彥解釋道。

該模型可同時分析多維度數(shù)據(jù)流，包括腦電波、心臟信號、肌肉活動、脈搏數(shù)據(jù)以及呼吸氣流，并從中學習這些信號之間的聯(lián)動規(guī)律。為實現(xiàn)這一目標，研究人員設計了一種全新的訓練方法，名為留一法對比學習。這種方法會暫時剔除某一類信號，然后讓模型僅依靠剩余的其他信號，嘗試還原被剔除的信號數(shù)據(jù)。

“我們在這項研究中取得的一項技術(shù)突破，是找到了整合這些不同類型數(shù)據(jù)模態(tài)的方法，讓它們能夠協(xié)同作用，共同‘解讀’睡眠的語言?！编u嘉彥說。

從睡眠模式到疾病風險預測

模型訓練完成后，研究人員首先在一些常見的睡眠相關(guān)任務中對 SleepFM 進行了測試。結(jié)果顯示，該模型在睡眠階段劃分和睡眠呼吸暫停嚴重程度評估方面的表現(xiàn)，達到甚至超越了目前臨床應用的主流檢測系統(tǒng)。

隨后，研究團隊開展了一項更具挑戰(zhàn)性的測試：僅依靠睡眠數(shù)據(jù)，預測受試者未來可能患上的疾病。為實現(xiàn)這一目標，他們將睡眠監(jiān)測記錄與對應患者的長期病歷數(shù)據(jù)進行了關(guān)聯(lián)匹配。其中一家合作診所提供了長達數(shù)十年的患者記錄，這為研究長期健康預后提供了難得的寶貴數(shù)據(jù)。

斯坦福睡眠醫(yī)學中心由已故的威廉?迪蒙特醫(yī)學博士、哲學博士于 1970 年創(chuàng)立，迪蒙特被譽為“睡眠醫(yī)學之父”。用于訓練 SleepFM（SleepFM）的最大患者群體包含約 3.5 萬名受試者，年齡跨度從 2 歲到 96 歲不等。他們的睡眠監(jiān)測數(shù)據(jù)采集于 1999 年至 2024 年間，并與部分患者長達 25 年的電子健康檔案進行了匹配。

借助這套整合后的數(shù)據(jù)集，SleepFM 對超過 1000 種疾病類別進行了分析，最終識別出 130 種僅通過睡眠數(shù)據(jù)就能實現(xiàn)較高準確率預測的疾病。其中，對癌癥、妊娠并發(fā)癥、循環(huán)系統(tǒng)疾病和精神疾病的預測效果最為顯著，預測性能指標一致性指數(shù)（C-index）均超過 0.8。

預測準確率的衡量標準

一致性指數(shù)（C-index）用于衡量模型對個體患病風險的排序能力，具體體現(xiàn)為模型能否準確預測兩名受試者中哪一位會更早出現(xiàn)特定健康問題。

“對于任意兩名受試者的組合，該模型都能對誰會更早患上某種疾?。ɡ缧呐K病發(fā)作）進行風險排序。一致性指數(shù)達到 0.8，意味著該模型的預測結(jié)果與實際情況的吻合度高達 80%?！编u嘉彥解釋道。

在針對具體疾病的預測中，SleepFM 表現(xiàn)尤為突出：帕金森?。ㄒ恢滦灾笖?shù) 0.89）、癡呆癥（0.85）、高血壓性心臟?。?.84）、心臟病發(fā)作（0.81）、前列腺癌（0.89）、乳腺癌（0.87）以及全因死亡風險（0.84）。

“令我們驚喜的是，該模型針對多種不同類型的疾病，都能做出具有參考價值的預測。”鄒嘉彥表示。

他還補充說，目前臨床上已經(jīng)在使用一些預測準確率相對更低的模型 —— 其一致性指數(shù)通常在 0.7 左右，例如用于預測患者對特定癌癥治療方案反應的系統(tǒng)。

解讀預測背后的邏輯

目前，研究團隊正致力于進一步提升 SleepFM 的預測準確率，并深入探究模型做出疾病預測的內(nèi)在機制。未來的模型版本可能會整合可穿戴設備采集的數(shù)據(jù)，以獲取更多關(guān)于受試者日常生活習慣與睡眠模式的信息。

“模型并不會用人類語言向我們解釋它的預測邏輯?！编u嘉彥說，“但我們已經(jīng)開發(fā)出多種解讀技術(shù)，能夠探究模型在針對某種特定疾病做出預測時，究竟參考了哪些關(guān)鍵信號?！?/p>

研究人員發(fā)現(xiàn)，盡管心臟相關(guān)信號在心血管疾病預測中發(fā)揮了更大作用，腦電波信號對精神疾病預測的影響更為顯著，但單一信號的作用始終有限。只有整合所有數(shù)據(jù)源，才能實現(xiàn)最高的預測準確率。

“通過對比不同監(jiān)測通道的數(shù)據(jù)，我們才能獲取預測疾病的最關(guān)鍵信息?！泵赘裰Z特表示。當人體不同系統(tǒng)的信號出現(xiàn)“不同步”狀態(tài)時 —— 例如大腦呈現(xiàn)睡眠狀態(tài)，而心臟卻處于類似清醒時的活躍狀態(tài) —— 往往預示著健康風險。

廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。