Ученые Стэнфорда представили SleepFM Clinical AI модель

Обзор SleepFM Clinical

Команда исследователей Стэнфордской медицины разработала SleepFM Clinical, многомодальную фундаментальную модель сна, которая использует данные клинической полисомнографии для предсказания долгосрочного риска заболеваний по одной ночи сна. Эта революционная работа опубликована в журнале Nature Medicine, а клинический код доступен как открытый репозиторий sleepfm-clinical на GitHub под лицензией MIT.

Преобразование полисомнографии для получения более широких данных

Полисомнография регистрирует активность мозга, движения глаз, сердечные сигналы, тонус мышц, усилия дыхания и уровень кислорода за ночь в клинической лаборатории. Обычно большинство клинических процессов ограничивает ее применение стадированием сна и диагностикой апноэ. Исследование рассматривает эти многоканальные сигналы как плотный физиологический временной ряд, обучая фундаментальную модель для унифицированного представления всех модальностей.

SleepFM обучается на примерно 585,000 часах записей сна от около 65,000 людей, собранных из нескольких когорт. Наибольшая когорта поступила из Стэнфордского центра медицины сна, где около 35,000 взрослых и детей проходили ночные исследования с 1999 по 2024 год. Эта клиническая когорта связана с электронными медицинскими записями, что позволяет проводить анализ выживаемости для сотен категорий заболеваний.

Архитектура модели и цели обучения

SleepFM использует сверточную архитектуру для извлечения локальных признаков из каждого канала, далее применяя агрегацию на основе внимания и временной трансформер для коротких сегментов ночи. Эта архитектура уже использовалась в SleepFM для стадирования сна и диагностики нарушений дыхания во сне, показывая, что совместное обучение эмбеддингов различных физиологических сигналов улучшает результаты обучаемости.

Цель предобучения заключается в использовании контрастивного обучения с исключением одного элемента. Для каждого короткого временного сегмента модель создает отдельные эмбеддинги для каждой группы модальностей—мозговые, сердечные и респираторные сигналы. Затем она обучается сопоставлять эти модальностные эмбеддинги так, чтобы любая подмножество предсказывало совместное представление остальных, улучшая устойчивость к отсутствующим каналам и различным записям.

После предобучения на неразмеченной полисомнографии основная модель замораживается, и обучаются небольшие конкретные задачи. Для стандартных задач сна используются легкие рекуррентные или линейные элементы, которые сопоставляют эмбеддинги со стадиями сна или результатами апноэ. Для предсказания клинического риска модель агрегирует всю ночь в одно пациентское представление, добавляет основную демографическую информацию, такую как возраст и пол, и затем передает это представление в слой пропорциональных рисков Кокса для моделирования времени до события.

Результаты на бенчмарках

Перед переходом к прогнозированию заболеваний возможности SleepFM были оценены по сравнению с существующими специализированными моделями в задачах анализа сна. Предыдущие исследования показывают, что простой классификатор на основе эмбеддингов SleepFM превосходит сети с полным концом в классификации стадий сна и выявлении нарушений дыхания во сне, демонстрируя значительные улучшения в AUROC и AUPRC по ряду публичных наборов данных.

На клинических исследованиях изначально использовалась предобученная основа для стадирования сна и классификации тяжести апноэ в многоцентровых когорт. Результаты показывают, что SleepFM успешно соперничает с традиционными сверточными моделями и автоматическими системами стадирования сна, подтверждая, что его представление охватывает основную физиологию сна, а не только статистические артефакты из единого набора данных.

Возможности предсказания заболеваний

Ключевой аспект данного исследования заключается в возможностях предсказания заболеваний. Исследовательская команда сопоставила диагностические коды из электронных медицинских записей Стэнфорда с пхекодами и определила более 1,000 потенциальных групп заболеваний. Для каждого пхекода они рассчитали время до первой диагностики после сна и адаптировали модель Кокса на основе эмбеддингов SleepFM.

SleepFM может предсказывать 130 заболеваний по одной ночи полисомнографии с высокой точностью. Сюда входят общая смертность, деменция, инфаркт миокарда, сердечная недостаточность, хроническая болезнь почек, инсульт, мерцательная аритмия, различные онкологические заболевания и многие психические и обменные расстройства. Показатели производительности сопоставимы с устоявшимися оценками риска, несмотря на то, что модель использует только записи сна и главные демографические данные.

Замечается, что для некоторых раковых заболеваний, осложнений беременности, сердечно-сосудистых расстройств и психических заболеваний прогнозы на основе SleepFM достигают точности порядка 80% для многолетних временных рамок риска, что предполагает, что тонкие закономерности в координации между мозгом, сердцем и дыхательными сигналами несут информацию о латентных процессах заболеваний, которые еще не видны клинически.

Сравнение с более простыми моделями

Для оценки добавленной ценности команда провела сравнение моделей риска на основе SleepFM с двумя базовыми моделями: первая использует только демографические данные, такие как возраст, пол и индекс массы тела, вторая обучается на данных полисомнографии напрямую без предобучения. Результаты свидетельствуют о том, что преобладающее представление SleepFM совместно с простой моделью выживания показывает более высокий коэффициент согласия и AUROC на протяжении большинства категорий заболеваний по сравнению с обеими базовыми моделями.

Это исследование наглядно демонстрирует, что прирост эффекта проистекает не столько от сложной модели предсказания, сколько от способности основной модели научиться общему представлению физиологии сна. На практике это означает, что клинические центры могут использовать одну предобученную основу с целью разработки небольших специфических голов, обладая относительно скромными размеченными когортами, и при этом добиваться передового результата.