麻省理工学院等机构利用苹果AppleWatch的数据开发AI模型，可精准预测多种健康状况

12月10日消息，麻省理工学院携手Empirical Health的研究人员共同开展了一项新研究，他们借助300万“人-天”的Apple Watch数据构建出一种基础模型，该模型可以极高的准确性对多种健康状况进行预测。

背景介绍

在Yann LeCun担任Meta首席人工智能科学家期间，他提出了“联合嵌入预测架构”（Joint-Embedding Predictive Architecture，简称JEPA）。这一架构的核心思路是：促使人工智能系统去推断缺失数据所蕴含的意义，而不是直接对缺失数据本身进行重建。

换言之，当面对数据中的空缺时，模型学习的是如何从上下文推断缺失部分的语义表征，而不是试图猜测其精确数值。

例如，在处理图像时，若某些区域被遮蔽而其他区域可见，JEPA 会将可见区域与被遮蔽区域共同映射到一个共享的嵌入空间（即“联合嵌入”），并基于可见部分推断被遮蔽区域的表征，而非还原其原始像素内容。

2023 年，Meta 发布名为 I-JEPA 的模型时曾这样描述这一理念：

去年，Meta 首席 AI 科学家 Yann LeCun 提出了一种全新架构，旨在克服当前最先进 AI 系统的关键局限。他的愿景是构建能够学习‘世界内部模型’的机器，使其能更快地学习、规划复杂任务，并迅速适应陌生情境。

据IT之家了解，自从LeCun最初提出JEPA之后，这一架构就成了“世界模型”研究领域的基础。这意味着AI研究的范式正在从大型语言模型（LLM）和GPT类系统所依托的“词元预测”，朝着更强调对环境动态进行建模的方向转变。

事实上，LeCun 近期已离开 Meta，创立了一家专注于“世界模型”的公司。他认为，这才是通往通用人工智能（AGI）的真正路径。

回归本项研究：300 万人-天的 Apple Watch 数据

回到当前这项研究。几个月前发表的论文《JETS：面向医疗健康行为数据的自监督联合嵌入时间序列基础模型》（JETS: A Self-Supervised Joint Embedding Time Series Foundation Model for Behavioral Data in Healthcare），近日已被NeurIPS会议的一个研讨会接收。

该研究将 JEPA 的联合嵌入方法适配于不规则的多变量时间序列数据，例如来自可穿戴设备的长期健康数据，其中心率、睡眠、活动量等指标在时间上呈现不连续性或存在大量缺失。

研究团队所采用的纵向数据集，收录了16522名参与者通过可穿戴设备生成的记录，整体数据规模达到约300万人-天。对于每一位参与者，研究人员以每日（或是更低的频率）为单位，记录下63项不同的时间序列指标，这些指标覆盖了心血管健康、呼吸健康、睡眠状况、身体活动情况以及一般统计信息这五大生理与行为领域。

值得注意的是，仅有15%的参与者具备可供评估的标注医疗史，这表明在传统监督学习体系中，多达85%的数据会被认定为无效。而JETS模型的做法是，先在完整数据集上借助自监督预训练展开学习，之后仅针对带标签的子集进行微调。

为实现这一目标，研究人员将每条观测数据构造成“三元组”（日期、数值、指标类型），从而将每个观测值转化为一个“token”。这些 token 随后经过掩码处理、编码，并输入预测器，用以预测被掩码片段的嵌入表示。

完成训练后，研究人员把JETS和多个基线模型（其中包含基于Transformer架构的早期JETS版本）开展对比，并运用AUROC（受试者工作特征曲线下面积）与AUPRC（精确率-召回率曲线下面积）这两项标准指标，来评价模型在辨别阳性和阴性病例时的表现。

结果表明，JETS 在多种疾病的预测方面表现出色：高血压预测的 AUROC 为 86.8%，房扑（atrial flutter）为 70.5%，慢性疲劳综合征为 81%，病态窦房结综合征（sick sinus syndrome）同样达到 86.8%。虽然它并非在所有任务里都能领先，但优势是很明显的。

需要强调的是，AUROC 和 AUPRC 并非严格意义上的“准确率”指标，而是衡量模型对潜在病例进行排序或优先级判断能力的指标。

总结

总体来说，这项研究构建了一套颇具潜力的方案，可从常被认为“不完整”或“不规则”的健康数据里挖掘出最大价值，即便在部分指标仅在0.4%的时段有记录、其他指标却出现在99%日常读数的极度不均衡场景中，该方案依旧能够发挥作用。

此外，该研究进一步印证了一个重要观点：即使 Apple Watch 等日常可穿戴设备并非全天候佩戴，其已收集的海量数据仍蕴含巨大潜力，通过新型模型架构与训练策略，有望释放其在疾病早期预警和健康管理中的生命拯救价值。

【：IT之家】