ИИ-модель Стэнфорда научилась диагностировать 130 заболеваний по одной ночи сна

В Стэнфордском университете представили SleepFM - фундаментальную ИИ-модель, которая по данным одной ночи сна способна оценить риски более чем 130 заболеваний. Среди них не только расстройства сна, но и тяжёлые системные патологии: мерцательная аритмия, инфаркт миокарда, деменция, болезнь Паркинсона и другие нейродегенеративные и сердечно-сосудистые состояния.

В основе проекта лежит переосмысление полисомнографии. Сегодня это «золотой стандарт» диагностики сна, при котором пациента подключают к множеству датчиков: ЭЭГ для мозга, ЭКГ для сердца, сенсоры дыхания, мышечной активности и насыщения кислородом. За одну ночь накапливаются гигабайты сырых физиологических сигналов. Однако в машинном обучении эти данные долгое время использовались крайне ограниченно. Большинство моделей решали узкие задачи, например поиск апноэ или определение фаз сна, игнорируя огромный объём информации о состоянии всего организма.

Причина проста: классический supervised-подход требует ручной разметки. А разметить сотни тысяч часов сна под десятки заболеваний силами врачей практически невозможно. Дополнительная проблема - хрупкость моделей. Малейшее отличие в расположении датчиков или потеря одного канала в другой клинике часто приводили к резкому падению качества.

Команда Стэнфорда пошла другим путём. Они сделали ставку не на разметчиков, а на масштаб. В итоговый датасет вошли 585 тысяч часов записей сна от более чем 65 тысяч пациентов. Для обучения была разработана оригинальная схема self-supervised learning под названием LOO-CL (Leave-One-Out Contrastive Learning).

Вместо того чтобы напрямую учить модель предсказывать диагноз, исследователи превратили задачу в физиологический пазл. Нейросеть получает сигналы от трёх модальностей, например сердца, дыхания и мышц, и должна восстановить эмбеддинг четвёртой - мозговых волн. Такой подход заставляет модель выучивать глубокие и устойчивые взаимосвязи между различными системами организма, а не запоминать поверхностные паттерны. Архитектура сочетает 1D-CNN для работы с временными сигналами и Transformers для моделирования долгих зависимостей.

Вторая ключевая инновация - Channel-Agnostic Attention. Модель не привязана к конкретному набору датчиков или их порядку. Если какой-то канал отсутствует или даёт шум, механизм attention автоматически перераспределяет веса между доступными сигналами. Это делает SleepFM устойчивой к реальным условиям клиник и бытовых устройств.

Результаты оказались впечатляющими. По данным всего одной ночи сна модель предсказывает риски 130 заболеваний и во многих случаях превосходит узкоспециализированные supervised-модели. Болезнь Паркинсона выявляется с точностью около 89 процентов, деменция - 85 процентов, риск сердечного приступа - 81 процент. И это без ручной разметки под каждую конкретную патологию.

Авторы подчёркивают, что SleepFM - не просто ещё одна модель для анализа сна. Это демонстрация того, что в ночных физиологических сигналах скрыта практически полная картина здоровья человека. По мере развития носимой электроники подобные модели могут выйти за пределы лабораторий и полисомнографических центров и со временем оказаться в умных часах или домашних трекерах сна, превратив обычный сон в регулярный и масштабируемый инструмент ранней диагностики.

Источник