MIT ja Empirical Health kehittivät JETS-tekoälyn joka JEPA-arkkitehtuurilla oppii Apple Watch -datasta ja tunnistaa riskit arjen biosignaaleista tarkasti.
© A. Krivonosov
MIT:n ja Empirical Healthin tutkijat rakensivat kolmen miljoonan päivän Apple Watch -datasta uuden tekoälymallin, joka osaa liputtaa sairauksia poikkeuksellisella varmuudella. Järjestelmä nojaa Yann LeCunin ehdottamaan JEPA-arkkitehtuuriin, jossa neuroverkkoa opetetaan päättelemään puuttuvan tiedon merkitystä sen sijaan, että se yrittäisi täyttää aukkoja kirjaimellisesti. Ajattelutapa istuu luontevasti puettavien laitteiden tyypillisiin pirstaleisiin, katkonaisiin signaaleihin.
Tiimi analysoi useiden vuosien ajalta 16 522 osallistujan tietoja ja seurasi 63 erilaista mittaria, jotka liittyivät sydämen toimintaan, hengitykseen, uneen, aktiivisuuteen ja yleisiin terveydentilan indikaattoreihin. Vain 15 %:lla ihmisistä oli lääketieteisiä diagnooseja, mutta JETSiksi nimetyn mallin annettiin oppia koko aineistosta ja se hienosäädettiin vasta merkityllä osalla. Lähestymistavan ansiosta järjestelmä poimii kuvioita arjesta, ei pelkästään kliinisistä tapauksista — ja juuri se tuntuu tässä olennaiselta.
JEPA-arkkitehtuurin sovittamiseksi aikasarjoihin tutkijat muunsivat jokaisen havainnon tokeniksi, peittivät osan niistä ja opettivat mallin ennustamaan piilorepresentaatioita. Koulutuksen jälkeen JETS-mallia verrattiin useisiin vahvoihin perusarkkitehtuureihin — ja tulokset erottuivat. Malli ylsi AUROC-lukemiin 86,8 % hypertensiossa, 81 % kroonisessa väsymysoireyhtymässä ja 86,8 % sinussolmukkeen toimintahäiriössä.
AUROC ei ole suora tarkkuus, vaan mitta siitä, kuinka hyvin malli erottaa todennäköiset tapaukset epätodennäköisistä. Silti JETSin etumatka perinteisiin algoritmeihin näkyy selvästi. Tekijät painottavat, että puettavissa laitteissa on terveydenhuollossa yhä valtavasti hyödyntämätöntä potentiaalia ja että uudemmat arkkitehtuurit pystyvät louhimaan arvoa myös aineistosta, joka ennen leimattiin liian aukkoiseksi tai epäsäännölliseksi.
Lyhyesti: tutkimus vihjaa, että arkipäiväiset laitteet, kuten Apple Watch, voivat kasvaa tehokkaiksi varhaisvaroitusjärjestelmiksi — jos mallit koulutetaan oikein, eivätkä ne vaadi tahrattomia syötteitä vaan oppivat lukemaan maailmaa vajavaisista signaaleista. Se kuulostaa käytännölliseltä tavalta hyödyntää biosignaaleja sellaisina kuin ne arjessa ovat.