Apple Watch解密健康大數據：300萬人統計數值訓練疾病偵測AI、準確度驚人

天龍

麻省理工學院（MIT）和 Empirical Health 的研究人員發布了一項新的研究，他們利用了驚人的 300 萬人/日 Apple Watch 穿戴裝置數據，開發出一個基礎模型（Foundation Model），能夠以極高的準確性預測多種醫學病症。

借鑑 JEPA 架構 專攻時間序列數據

這項研究的技術核心，改編自 Meta 前首席 AI 科學家 Yann LeCun 提出的「聯合嵌入預測架構」（Joint-Embedding Predictive Architecture, JEPA）。JEPA 的核心概念在於訓練 AI 預測缺失數據的含義，而非試圖猜測或精確重建其數值。對於不規律且具備大量時間間隔的多元時間序列數據（如心率、睡眠、活動量等穿戴裝置數據）而言，這種方法極具優勢。

這項名為 JETS (Joint Embedding Time Series) 的自我監督基礎模型，將 JEPA 的聯合嵌入方法應用於長期穿戴數據中不規則的多變量時間序列。LeCun 近期已離開 Meta 創立公司，致力於他認為是通往通用人工智慧（AGI）真正道路的「世界模型」研究，而 JETS 正是此領域的最新進展。

海量數據訓練 克服標籤不足困境

該研究利用了一個涵蓋 16,522 名個體、累積約 300 萬人日穿戴裝置數據的縱向數據集。數據中記錄了每人 63 項不同的時間序列指標，涵蓋心血管健康、呼吸健康、睡眠、身體活動和一般統計五大生理與行為領域。

值得注意的是，只有 15% 的參與者擁有可供評估的標記醫療記錄。在傳統的監督式學習中，其餘 85% 的數據將無法使用。然而，JETS 模型透過自我監督預訓練從完整的數據集中學習，隨後再利用帶有標籤的子集進行微調，最大化了數據的利用價值。

疾病預測表現出色

研究人員將 JETS 模型與其他基準模型進行比較，並使用 AUROC 和 AUPRC（兩項衡量 AI 區分陽性與陰性案例能力的標準指標）進行評估。結果顯示，JETS 在多項指標上取得了顯著優勢，例如針對高血壓的 AUROC 達到 86.8%，針對病態竇房結綜合徵（Sick Sinus Syndrome）也達到 86.8%。

儘管 AUROC 和 AUPRC 並非嚴格的「準確度」指數，而是展示模型對可能病症的排序或優先級能力，但這項成果證實了新型模型和訓練技術在發掘穿戴裝置數據潛力方面的巨大希望，即使這些健康指標在記錄時存在大量不完整或不規律的情況（例如某些指標僅有 0.4% 的時間被記錄）。