Az MIT és az Empirical Health JETS JEPA-modellje Apple Watch-adatokból korai betegségeket jelez

Hárommillió napnyi Apple Watch-adatra támaszkodva az MIT és az Empirical Health kutatói olyan mesterségesintelligencia-modellt építettek, amely meglepő magabiztossággal jelöl meg lehetséges megbetegedéseket. A rendszer a Yann LeCun által javasolt JEPA-architektúrát használja, amely nem a hiányzó értékek „kitöltésére”, hanem a hiány mögötti jelentés következtetésére tanítja a neurális hálózatokat. A hordozható eszközök szaggatott, megszakításos jeleihez ez a szemlélet kézenfekvőnek tűnik — nem véletlenül.

A csapat több éven át 16 522 résztvevő adatait vizsgálta, 63 féle mutatót követve a szívműködéstől és a légzéstől az alváson és aktivitáson át az általános egészségi jelzőkig. Bár csupán a résztvevők 15%-ánál volt orvosi diagnózis, a JETS névre keresztelt modell a teljes adathalmazon tanult, majd a címkézett részhalmazon finomhangolták. Ez a stratégia nemcsak klinikai esetekből, hanem a mindennapi élet ritmusából is mintázatokat emel ki — józan döntésnek hat egy ilyen zajos környezetben.

Hogy a JEPA idősort adó jelekhez illeszkedjen, a kutatók minden megfigyelést tokenné alakítottak, maszkolást alkalmaztak, majd a rejtett reprezentációk előrejelzésére tanították a modellt. A betanítás után a JETSt több erős alaparchitektúrával vetették össze, és az eredmények kilógtak a mezőnyből: a modell hipertóniánál 86,8%-os, krónikus fáradtság szindrómánál 81%-os, szinuszcsomó-diszfunkciónál pedig 86,8%-os AUROC-ot ért el.

Az AUROC nem egyszerű „pontosság”, hanem annak mércéje, mennyire jól választja szét a modell a valószínű és a valószínűtlen eseteket — ebben a JETS előnye a klasszikus algoritmusokkal szemben tisztán látszik. A szerzők hangsúlyozzák, hogy a viselhető eszközökben még mindig hatalmas, kiaknázatlan tartalék rejlik, és az újabb architektúrák akkor is értéket képesek kinyerni, ha az adat töredezett vagy rendszertelennek tűnik.

Összességében a tanulmány azt sugallja: a mindennapi kütyük, mint az Apple Watch, erős korai előrejelző rendszerré válhatnak — feltéve, hogy a modelleket megfelelően képezik, nem hibátlan bemeneteket követelve, hanem megtanulva olvasni a világot a hiányos jeleken át. A hangsúly a módszeren van, és amikor a valóság ritkán steril, ez a megközelítés adja a legtöbb esélyt a hasznos felismerésekre.