Системата е обучена с над трилион минути сензорни данни от 5 милиона души и надминава традиционните подходи в 34 от 35 теста

Google представи SensorFM — базов AI модел, който анализира данните, подавани от носими медицински устройства. Системата е обучена на базата на над един трилион минути сигнали от сензори, събрани от 5 милиона души, съобщава компанията.

Според разработчиците моделът не се ограничава до изчисляване на средни стойности, а изгражда индивидуален „цифров отпечатък“ на човешката физиология и улавя микропромени, незабележими за стандартните методи. Екипът вижда в него основа за персонализирана медицина и медицински AI-агенти.

Какви данни са използвани за обучението

Носимите устройства ежедневно събират информация за сърдечната честота, движението, температурата на кожата, нивото на кислород в кръвта и качеството на съня. Превръщането на тези потоци в полезни медицински заключения обаче остава трудна задача — физиологията и начинът на живот на хората се различават значително, а качествените медицински данни с потвърдени диагнози са трудни и скъпи за събиране. Затова повечето модели за носими устройства се създават за една конкретна задача и не оценяват цялостното състояние на здравето.

SensorFM възприема различен подход: вместо отделни модели за всяко заболяване или показател, разработчиците са обучили единна система върху мащабен масив от немаркирани данни. Използвани са анонимизирани данни за 5 млн. доброволци, събрани между септември 2024 г. и септември 2025 г. Наборът обхваща информация от над 100 държави, всички щати на САЩ и повече от 20 модела устройства Fitbit и Pixel Watch.

Моделът анализира 34 агрегирани показателя, получени от пет вида сензори: фотоплетизмография, акселерометри, сензори за електродермална активност, температура на кожата и алтиметрия. Те позволяват проследяване на сърдечния ритъм и неговата променливост, съня, физическата активност, кислородното насищане на кръвта и други характеристики през денонощието.

Работа с непълни данни и резултати от тестовете

SensorFM може да работи с непълни данни. В ежедневието устройствата често губят част от информацията — човек сваля часовника си, изключва сензорите или апаратът преминава в енергоспестяващ режим. Вместо да изтрива такива записи или да запълва празнините изкуствено, моделът се обучава да приема пропуските като естествена част от данните и така се адаптира по-добре към реалните условия. Експериментите показват, че увеличаването на обема на данните и размера на модела пряко подобрява възможностите му.

Изследователите са тествали SensorFM върху 35 задачи за прогнозиране на здравословното състояние, като информацията за тестовете е взета от три независими дългосрочни проучвания с 13 985 участници. Самият модел не е бил дообучаван — за всяка конкретна задача към вградените модели е добавян само опростен линеен модел. В този режим SensorFM е надминал традиционните подходи, основани на ръчно подбрани характеристики и обучение с учител, в 34 от 35 теста. Особено ясно предимство е отчетено при откриването на депресия и тревожност — състояния, които оставят слаби и трудно различими сигнали в данните от носимите устройства.

Проверка на концепцията за личен медицински AI агент

Разработчиците са проверили и дали SensorFM може да служи като основа за личен медицински AI агент. В експеримент с реални профили на участници лекари са оценили препоръките, създадени от агента въз основа на прогнозите на модела. Добавянето на данни от SensorFM е подобрило оценките по критериите за персонализация, релевантност и обоснованост, а резултатите са се оказали сравними с вариантите, при които са използвани действителни медицински измервания.

Според екипа SensorFM показва преход от множество специализирани модели към универсални AI системи, способни да анализират индивидуалната физиология и да подпомагат персонализираната медицина.