Ένα νέο μοντέλο τεχνητής νοημοσύνης που ανέπτυξαν ερευνητές της Ιατρικής Σχολής του Στάνφορντ στις ΗΠΑ αξιοποιεί δεδομένα από μία και μόνο νύχτα ύπνου για να προβλέψει τον κίνδυνο εμφάνισης περισσότερων από 100 διαφορετικών παθήσεων.
Το μοντέλο, με την ονομασία SleepFM, εκπαιδεύτηκε σε σχεδόν 600.000 ώρες δεδομένων ύπνου που συλλέχθηκαν από 65.000 συμμετέχοντες. Πρόκειται για δεδομένα πολυυπνογραφίας, μιας διαγνωστικής εξέτασης που καταγράφει φυσιολογικά δεδομένα κατά τη διάρκεια του ύπνου για τη διάγνωση διαταραχών. Κατά τη διάρκεια της εξέτασης αυτής, διάφοροι αισθητήρες καταγράφουν την εγκεφαλική δραστηριότητα, την καρδιακή λειτουργία, την αναπνοή, τις κινήσεις των ποδιών και των ματιών και άλλων παραμέτρων.
Η πολυυπνογραφία θεωρείται το «χρυσό πρότυπο» στις μελέτες ύπνου που πραγματοποιούνται κατά τη διάρκεια της νύχτας σε εργαστηριακό περιβάλλον. Όπως συνειδητοποίησαν οι ερευνητές, αποτελεί ταυτόχρονα και ένα ανεκμετάλλευτο ορυχείο φυσιολογικών δεδομένων.
«Καταγράφουμε έναν εντυπωσιακό αριθμό σημάτων όταν μελετάμε τον ύπνο», δήλωσε ο Εμανουέλ Μινιό, καθηγητής Ιατρικής του Ύπνου και συν-επικεφαλής συγγραφέας της μελέτης, η οποία δημοσιεύθηκε στο επιστημονικό περιοδικό NatureMedicine. «Μελετάμε επί οκτώ ώρες τη γενική φυσιολογία ενός ανθρώπου που είναι πλήρως διαθέσιμος. Τα δεδομένα είναι εξαιρετικά πλούσια» πρόσθεσε.
Παρόλα αυτά, μόνο ένα μικρό μέρος αυτών των δεδομένων αξιοποιείται σήμερα στην έρευνα και την ιατρική του ύπνου. Με τις εξελίξεις στην τεχνητή νοημοσύνη, είναι πλέον δυνατό να αναλυθεί πολύ μεγαλύτερο μέρος τους. Η νέα μελέτη είναι η πρώτη που χρησιμοποιεί τεχνητή νοημοσύνη για την ανάλυση δεδομένων ύπνου σε τόσο μεγάλη κλίμακα.
Μαθαίνοντας τη «γλώσσα» του ύπνου
Για να αξιοποιήσουν αυτόν τον τεράστιο όγκο δεδομένων, οι ερευνητές ανέπτυξαν έναν τύπο μοντέλου τεχνητής νοημοσύνης (foundation model) που μπορεί να εκπαιδεύεται αυτόνομα σε τεράστιες ποσότητες δεδομένων και να εφαρμόζει όσα έχει μάθει σε ποικίλες εργασίες. Τα μεγάλα γλωσσικά μοντέλα, όπως το ChatGPT, αποτελούν χαρακτηριστικά παραδείγματα.
Οι 585.000 ώρες δεδομένων πολυυπνογραφίας που χρησιμοποιήθηκαν για την εκπαίδευση του SleepFM προέρχονταν από ασθενείς που είχαν εξεταστεί σε διάφορες κλινικές ύπνου. Τα δεδομένα χωρίστηκαν σε τμήματα διάρκειας πέντε δευτερολέπτων, αντίστοιχα με τις «λέξεις» που χρησιμοποιούν τα γλωσσικά μοντέλα κατά την εκπαίδευσή τους.
«Ουσιαστικά, το SleepFM μαθαίνει τη γλώσσα του ύπνου», εξήγησε ο Τζέιμς Ζου, αναπληρωτής καθηγητής βιοϊατρικής επιστήμης δεδομένων και συν-επικεφαλής συγγραφέας της μελέτης.
Το μοντέλο μπόρεσε να συνδυάσει πολλαπλές ροές δεδομένων —όπως ηλεκτροεγκεφαλογραφήματα, ηλεκτροκαρδιογραφήματα, ηλεκτρομυογραφήματα, παλμικές μετρήσεις και τη ροή του αέρα— και να κατανοήσει πώς σχετίζονται μεταξύ τους.
Για να το πετύχουν αυτό, οι ερευνητές ανέπτυξαν μια νέα τεχνική εκπαίδευσης, γνωστή ως «leave-one-out contrastive learning, κατά την οποία «αποκρύπτεται» μία κατηγορία δεδομένων και το μοντέλο καλείται να ανασυνθέσει το ελλείπον στοιχείο με βάση τα υπόλοιπα σήματα.
«Μία από τις βασικές τεχνικές καινοτομίες αυτής της δουλειάς ήταν το πώς θα εναρμονίσουμε όλες αυτές τις διαφορετικές μορφές δεδομένων, ώστε να μάθουν την ίδια “γλώσσα”», ανέφερε ο Ζου.
Πρόβλεψη ασθενειών
Μετά τη φάση εκπαίδευσης, οι ερευνητές προχώρησαν στη βελτιστοποίηση του μοντέλου για διαφορετικές εφαρμογές. Αρχικά, το δοκίμασαν σε τυπικές εργασίες ανάλυσης ύπνου, όπως η ταξινόμηση των σταδίων ύπνου και η διάγνωση της σοβαρότητας της υπνικής άπνοιας. Το SleepFM απέδωσε εξίσου καλά ή και καλύτερα από τα πιο προηγμένα μοντέλα που χρησιμοποιούνται σήμερα.
Στη συνέχεια, έθεσαν έναν πιο φιλόδοξο στόχο: την πρόβλεψη μελλοντικής εμφάνισης ασθενειών με βάση τα δεδομένα ύπνου. Για να το πετύχουν αυτό, συνέκριναν τα δεδομένα πολυυπνογραφίας με τα ιατρικά αρχεία υγείας των ίδιων συμμετεχόντων. Οι ερευνητές είχαν πρόσβαση σε περισσότερα από 50 χρόνια ιατρικών αρχείων από μια κλινική ύπνου.
Για την εκπαίδευση του SleepFM αξιοποιήθηκαν δεδομένα πολυυπνογραφίας από περίπου 35.000 ασθενείς, ηλικίας 2 έως 96 ετών, τα οποία καταγράφηκαν στην κλινική του πανεπιστημίου μεταξύ 1999 και 2024. Οι ερευνητές τα συνέκριναν με τα ηλεκτρονικά αρχεία υγείας των ίδιων ατόμων, τα οποία για ορισμένους ασθενείς κάλυπταν περίοδο παρακολούθησης έως και 25 ετών.
Το SleepFM ανέλυσε περισσότερες από 1.000 κατηγορίες ασθενειών και διαπίστωσε ότι 130 από αυτές μπορούσαν να προβλεφθούν με ικανοποιητική ακρίβεια βάσει των δεδομένων ύπνου. Οι προβλέψεις ήταν ιδιαίτερα ισχυρές για καρκίνους, επιπλοκές εγκυμοσύνης, καρδιαγγειακές παθήσεις και ψυχικές διαταραχές, με δείκτη C άνω του 0,8. Ο δείκτης C (concordance index) αποτελεί κοινό μέτρο προγνωστικής ακρίβειας και δείχνει πόσο καλά ένα μοντέλο προβλέπει ποιο από δύο άτομα θα εμφανίσει πρώτο ένα συγκεκριμένο συμβάν.
Το SleepFM πέτυχε υψηλές επιδόσεις στην πρόβλεψη της νόσου Πάρκινσον (0,89), της άνοιας (0,85), της υπερτασικής καρδιοπάθειας (0,84), του εμφράγματος (0,81), του καρκίνου του προστάτη (0,89), του καρκίνου του μαστού (0,87) και της θνησιμότητας (0,84).
«Μας εξέπληξε ευχάριστα το γεγονός ότι το μοντέλο μπορεί να παρέχει ουσιαστικές προβλέψεις για ένα τόσο ευρύ φάσμα παθήσεων», σημείωσε ο Ζου.
Ερμηνεύοντας το μοντέλο
Η ερευνητική ομάδα εργάζεται πλέον για τη βελτίωση των προβλέψεων του SleepFM, ενδεχομένως με την ενσωμάτωση δεδομένων από φορετές συσκευές, καθώς και για την καλύτερη κατανόηση του τρόπου με τον οποίο το μοντέλο λαμβάνει τις αποφάσεις του.
«Δεν μας εξηγεί τα συμπεράσματά του», είπε ο ερευνητής. «Έχουμε όμως αναπτύξει τεχνικές ερμηνείας για να κατανοήσουμε τι ακριβώς “βλέπει” όταν κάνει μια συγκεκριμένη πρόβλεψη» εξήγησε.
Οι ερευνητές επισημαίνουν ότι, παρότι τα καρδιακά σήματα παίζουν μεγαλύτερο ρόλο στις προβλέψεις καρδιοπαθειών και τα εγκεφαλικά σήματα στις ψυχικές διαταραχές, ο συνδυασμός όλων των μορφών δεδομένων ήταν αυτός που παρείχε τη μεγαλύτερη ακρίβεια.
«Τις πιο χρήσιμες πληροφορίες για την πρόβλεψη ασθενειών τις αντλήσαμε από την αντίθεση μεταξύ των διαφορετικών καναλιών», ανέφερε ο Μινιό.
Για παράδειγμα, μια ασυμφωνία μεταξύ εγκεφάλου και καρδιάς —όταν ο εγκέφαλος φαίνεται να κοιμάται αλλά η καρδιά παραμένει σε εγρήγορση— φάνηκε να αποτελεί προειδοποιητικό σημάδι, σύμφωνα με τους ερευνητές.
Πηγή: Medicalxpress
