上海
MIT與Empirical Health的研究人員聯合開展了一項新研究，利用約300萬個人日的Apple Watch數據，開發出一種名為JETS的自監督時間序列基礎模型，用于預測多種醫學病癥。該研究成果已于近期被NeurIPS會議的一個研討會接收。
該模型基于Yann LeCun提出的“聯合嵌入預測架構”（JEPA），其核心思想是讓AI學習推斷缺失數據的意義，而非直接重建原始數值。這一方法特別適用于處理來自可穿戴設備的不規則多變量時間序列數據，如心率、睡眠和活動記錄，這些數據常存在大量間隔或不完整情況。
研究使用的數據集來自16,522名參與者，每人平均收集了數百天的健康數據，共涵蓋63種生理與行為指標，分為心血管健康、呼吸健康、睡眠、身體活動和一般統計五大類。值得注意的是，僅有15%的參與者擁有標注的醫療史，傳統監督學習難以充分利用其余數據。JETS通過自監督預訓練充分利用全部數據，再在小部分標注數據上進行微調。
為實現建模，研究人員將每日觀測值按“日期—數值—指標類型”構造成三元組，并轉化為標記（token），隨后采用掩碼機制進行編碼和預測。實驗結果顯示，JETS在多項疾病的預測性能上表現優異，AUROC指標達到：高血壓86.8%、心房撲動70.5%、慢性疲勞綜合征81%、病態竇房結綜合征86.8%。
AUROC衡量的是模型區分正負樣本的能力，而非直接的預測準確率。盡管如此，結果仍表明JETS能有效從稀疏且不連續的數據中提取臨床相關信號。某些指標在數據集中出現頻率低至0.4%，而最高可達99%。
這項研究發表于2025年12月，突顯了新型AI架構在挖掘日常可穿戴設備健康數據潛力方面的前景，即使設備未被全天佩戴，也能為早期疾病篩查提供支持。
來源：9to5Mac（2025年12月9日）
參考鏈接:
https://9to5mac.com/2025/12/09/researchers-used-3-million-days-of-apple-watch-data-to-train-a-disease-detection-ai/
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
