失眠之夜常导致次日疲惫不堪，但它也可能预示着某些健康隐患——这些隐患或许要到很久以后才会显现。斯坦福大学医学院的科学家及其合作者开发了一套人工智能系统，能够通过分析单夜睡眠期间的身体信号，评估个体罹患100多种不同疾病的风险。 该系统名为SleepFM，通过65,000名受试者近60万小时的睡眠记录进行训练。这些记录源自多导睡眠图检测——这种深度睡眠测试通过多传感器追踪睡眠期间的大脑活动、心脏功能、呼吸模式、眼球运动、腿部活动及其他生理信号。

睡眠研究蕴藏未开发健康数据

多导睡眠图被视为评估睡眠的黄金标准，通常在实验室进行整夜监测。虽然该技术常用于诊断睡眠障碍，但研究人员已意识到它还捕捉了大量尚未充分分析的生理信息。 “睡眠研究中记录的信号数量惊人，”睡眠医学克雷格·雷诺兹讲席教授、新研究的共同资深作者埃曼纽尔·米尼奥特博士指出，”这相当于在完全受控环境下，对受试者进行长达八小时的全面生理学研究，数据极其丰富。”

在常规临床实践中，仅有极小部分信息被分析利用。得益于人工智能的最新进展，研究人员现可更深入地解析这些庞大复杂的数据集。团队指出，这项工作是首次将人工智能应用于如此大规模的睡眠数据研究。 “从人工智能角度看，睡眠研究相对滞后。大量AI研究聚焦病理学或心脏病学，却鲜少涉及睡眠领域——尽管睡眠是生命中至关重要的环节，”生物医学数据科学副教授、该研究共同资深作者詹姆斯·邹博士指出。

训练人工智能识别睡眠模式

为从数据中获取洞见，研究人员开发了基础模型——这类人工智能通过学习海量数据集中的普遍模式，进而将知识应用于多种任务。 类似ChatGPT的大型语言模型采用相似的训练方法，但它们基于文本而非生物信号进行训练。SleepFM模型则利用58.5万小时的睡眠监测数据进行训练，这些数据来自睡眠诊所的患者检查。每次睡眠监测被分割为五秒时段，其功能类似于训练语言型AI系统的单词。周博士解释道，SleepFM本质上是在学习睡眠的语言。

该模型整合了多维信息流，包括脑电信号、心律、肌肉活动、脉搏测量及呼吸气流数据，并学习这些信号间的交互关系。为帮助系统理解这些关联，研究人员开发了名为”留一法对比学习”的训练方法。 该方法每次移除一种信号类型，要求模型利用剩余数据进行重建。这项研究的技术突破之一，在于成功协调了所有不同数据模态，使其能够协同学习同一种语言。

基于睡眠预测未来疾病

训练完成后，研究人员将模型应用于具体任务。首先在标准睡眠研究中进行测试，包括识别睡眠阶段和评估睡眠呼吸暂停严重程度。在这些测试中，SleepFM的性能与当前领先模型持平甚至更胜一筹。 随后团队提出更宏大的目标：探究睡眠数据能否预测未来疾病。为此，他们将多导睡眠图记录与同批受试者的长期健康结果进行关联。这一研究得以实现，源于研究人员获取了某睡眠诊所数十年的完整医疗档案。

斯坦福睡眠医学中心由被誉为睡眠医学之父的已故威廉·迪蒙特博士于1970年创立。用于训练SleepFM的最大数据集包含约3.5万名2至96岁患者，其睡眠研究记录于1999至2024年间在该诊所完成，并匹配了长达25年的电子健康档案。 据2010至2019年间担任该中心主任的米尼奥特介绍，诊所的睡眠多导图记录可追溯至更早时期，但仅存纸质档案。通过整合这些数据集，SleepFM系统分析了逾千种疾病类别，最终确定130种仅凭睡眠数据即可实现较高预测精度的疾病。在癌症、妊娠并发症、循环系统疾病及精神障碍领域的预测效果最佳，其预测值C指数均超过0.8。