人工智能只需一晚睡眠數據 即可預測超過100種疾病風險
斯坦福大學的研究團隊研發出一款名為SleepFM的大型語言模型（LLM），能夠根據個人一晚上的睡眠數據，預測該人罹患超過100種健康疾病的風險。這套AI系統會分析用戶睡眠期間的腦電波、心率、呼吸信號、腿部動作及眼球運動，從中評估疾病風險。
在最新發表於《Nature》期刊的研究中，科學家們利用1999年至2024年間，來自6.5萬名患者超過58萬小時的睡眠記錄進行訓練。這些數據來自睡眠診所，通常會將睡眠資料切割成五秒一段，猶如語言模型學習的「字詞」，使SleepFM能「學懂睡眠的語言」。
斯坦福大學生物醫學數據科學副教授、研究共同作者James Zou表示：「SleepFM基本上是在學習睡眠的語言。」
研究團隊同時結合患者的健康檔案，讓AI能預測未來可能出現的疾病。這個模型在預測帕金森病、阿茲海默症、失智症、高血壓性心臟病、心臟病發作、前列腺癌及乳癌等疾病時，準確率均超過80%。甚至對患者死亡風險的預測準確率高達84%。
不過，模型對慢性腎病、中風及心律不整（心跳不規則）的預測準確率稍低，約為78%。斯坦福睡眠醫學教授Emmanuel Mignot指出：「我們在研究睡眠時，能記錄非常多健康信號。睡眠就像是研究一個被完全監控的受試者八小時的綜合生理狀態，數據非常豐富。」
研究者強調，正是多種生理數據的結合，令模型能達到如此精準的預測。舉例來說，若腦部顯示睡眠狀態，但心臟卻像清醒一樣，這種不同步的信號往往預示著健康問題。
斯坦福團隊計劃未來將穿戴式設備的數據納入SleepFM的資料庫，進一步提升預測能力。不過他們同時提醒，現時的研究對象多為已懷疑健康有問題、參與睡眠診斷的患者，樣本無法代表一般大眾，因此AI的普遍應用還需更多驗證。
—
評論與見解
這項由斯坦福開發的AI睡眠分析工具，展示了醫療人工智能未來的巨大潛力。它不僅將睡眠研究從傳統的數據分析轉化為一種「語言」的理解，還能跨越多種疾病的預測，顯示出多維度生理數據整合的重要性。
對香港社會而言，這種技術意味著未來可以利用日常的睡眠監測，及早發現許多潛在疾病風險，從而推動預防醫學和個人化健康管理。不過，現階段的技術仍然建立在高風險患者的數據基礎上，若要推廣至一般市民，還需投入大量資源來擴展樣本多樣性，確保準確度與公平性。
此外，穿戴式設備的加入將使數據收集更便捷，但同時也帶來數據隱私與安全的挑戰。如何在技術進步與個人隱私權之間取得平衡，將是未來推動此類AI應用的關鍵。
總括而言，SleepFM的發展標誌著一個結合生理數據與AI深度學習的新時代，為醫療診斷提供了更全面、更早期的風險評估工具，值得本地醫療界和科技界密切關注並積極探索其應用可能。
以上文章由GPT 所翻譯及撰寫。而圖片則由GEMINI根據內容自動生成。
