Na bazie 3 mln dni danych z Apple Watch zespół MIT stworzył model AI JETS w architekturze JEPA. Uczy się z niepełnych sygnałów i wykrywa choroby (AUROC do 86,8%).
© A. Krivonosov
Bazując na trzech milionach dni danych z Apple Watch, badacze z MIT i Empirical Health zbudowali nowy model AI, który z dużą pewnością potrafi sygnalizować choroby. System opiera się na architekturze JEPA zaproponowanej przez Yanna LeCuna, która uczy sieci neuronowe wnioskować o znaczeniu brakujących danych, zamiast dosłownie uzupełniać luki. Przy poszatkowanych, przerywanych sygnałach typowych dla urządzeń noszonych takie podejście wydaje się naturalnym wyborem.
Zespół przeanalizował zapisy 16 522 uczestników zebrane w ciągu kilku lat, obejmujące 63 typy wskaźników związanych z pracą serca, oddychaniem, snem, aktywnością i ogólnymi oznakami zdrowia. Tylko 15% osób miało rozpoznania medyczne, a mimo to model — nazwany JETS — uczył się na całym zbiorze, a następnie dopracowano go na oznaczonych danych. To pragmatyczna strategia: system wychwytuje wzorce z codzienności, a nie wyłącznie z przypadków klinicznych.
Aby dostosować JEPA do danych szeregów czasowych, naukowcy zamienili każdą obserwację w token, zastosowali maskowanie i uczyli model przewidywać ukryte reprezentacje. Po treningu porównali JETS z kilkoma mocnymi architekturami bazowymi — a wyniki się wyróżniły. Model osiągnął AUROC na poziomie 86,8% dla nadciśnienia, 81% dla zespołu przewlekłego zmęczenia i 86,8% dla dysfunkcji węzła zatokowego.
AUROC nie jest zwykłą miarą dokładności, lecz pokazuje, jak dobrze model oddziela przypadki prawdopodobne od mało prawdopodobnych. Na tym tle przewaga JETS nad klasycznymi algorytmami wypada wyraźnie. Autorzy podkreślają, że urządzenia noszone wciąż skrywają w medycynie ogromny, niewykorzystany potencjał i że nowsze architektury potrafią wydobyć wartość z danych wcześniej uznawanych za zbyt nieciągłe czy nieregularne.
Krótko mówiąc, badanie sugeruje, że codzienne urządzenia pokroju Apple Watch mogą stać się mocnym systemem wczesnego ostrzegania — pod warunkiem, że modele szkoli się we właściwy sposób: nie wymagając nieskazitelnych wejść, lecz ucząc je czytać świat z niepełnych sygnałów.