MITとEmpirical Healthの研究者は、アップルウォッチから得られた300万日分のデータを用いて、医療状態を高精度で予測する基盤モデルを開発したと発表しました。
この研究は、Metaの元主任AI科学者であるヤン・ルカン氏が提案した「Joint-Embedding Predictive Architecture（JEPA）」に基づいています。JEPAは、データの欠如を補完するためにAIが欠けたデータの意味を推測することを教えるアーキテクチャです。
このアプローチは、データの一部が欠けている場合に、その欠けた部分の具体的な値を再構築するのではなく、見える部分を基にその意味を推測するというものです。
今回の研究では、心拍数や睡眠、活動量などのデータが不規則に収集されるウェアラブルデバイスの長期データにJEPAのアプローチを適用しました。研究には、16,522人の参加者から収集された約300万日分のデータが使用され、63種類の指標が日次またはそれ以下の頻度で記録されました。
このデータは、心血管健康、呼吸器健康、睡眠、身体活動、一般的な統計の5つの生理学的および行動的領域に分類されています。参加者の15%のみが評価用のラベル付き医療履歴を持っており、85%のデータは従来の教師あり学習では使用できないものでした。しかし、JETSは自己教師ありの事前学習を通じて完全なデータセットから学び、その後ラベル付きサブセットで微調整を行いました。
研究者たちは、日、値、指標タイプに対応する観察データをトリプレットにして、各観察をトークンに変換しました。これにより、観察データをマスキングし、エンコードして予測器に通すことが可能になりました。
JETSは、他のベースラインモデルと比較され、AUROCやAUPRCなどの標準的な指標で評価されました。高血圧では86.8%、心房粗動では70.5%、慢性疲労症候群では81%、病的洞調律症候群では86.8%のAUROCを達成しました。
この研究は、データが不完全または不規則であっても、その洞察力と命を救う可能性を最大化する興味深いアプローチを提示しています。また、アップルウォッチのような一般的なウェアラブルデバイスから収集されるデータを探求する新しいモデルとトレーニング技術の可能性を強調しています。
