人工智能仅凭睡眠方式即可检测健康风险
美国新开发的AI模型SleepFM发现，人类睡眠模式可用于预测约130种疾病的发病风险，包括痴呆症和某些癌症。
只需在实验室度过一晚睡眠，记录下生理信号，新型人工智能模型就能评估一个人日后罹患约130种疾病的风险。这包括帕金森病、痴呆症、心脏病以及前列腺癌和乳腺癌的风险。
斯坦福大学生物医学数据科学教授、1月初发表在《自然·医学》杂志上的SleepFM研究的共同资深作者James Zou表示，SleepFM可以在症状首次显现前几年就做出这些预测。
SleepFM接受了来自65,000名睡眠者收集的近600,000小时睡眠数据的训练。睡眠的研究和测量称为多导睡眠图，它使用各种传感器来测量患者睡眠时的脑电波、心脏活动、呼吸、肌肉紧张度以及眼睛和腿部运动。
对于SleepFM，研究团队主要使用了来自美国加利福尼亚州斯坦福大学睡眠医学中心收集的数据。
基于睡眠数据训练的人工智能
首先，SleepFM被展示正常睡眠期间来自大脑、心脏和身体的信号，并通过统计方法计算出"正常"平均值。
之后，SleepFM学习了不同的睡眠阶段，以及睡眠呼吸暂停（一种在睡眠中呼吸反复停止和开始的障碍）。研究人员随后将睡眠数据与追溯25年的电子健康记录相连，并研究了后续健康诊断如何与多导睡眠图的测量结果相关联。
SleepFM随后能够检测数据中的模式，并从约1,000种可能的疾病中，确定出130种可以通过数据以中等到高准确度预测的疾病。
"我们的结果表明，许多状况——包括中风、痴呆症、心力衰竭和各种原因导致的死亡——都可以从睡眠数据中高度预测，这进一步强化了睡眠作为长期健康强大生物标志物的潜力，"生物医学数据科学博士生、该论文的共同主要作者Rahul Thapa说。
"原则上，只要基本数据可用，人工智能模型可以针对大量可能的预测进行训练，"德国多特蒙德技术大学的机器学习专家Sebastian Buschjäger表示，他一直在德国从事与睡眠相关的项目Sleepwalker。（他没有参与基于美国的SleepFM项目。）
使用高级算法分析表明，睡眠期间的心脏信号有助于预测心血管疾病，而大脑信号对未来神经和心理障碍更为重要。然而，最有信息量的结果来自于所有不同信号的组合。例如，当大脑的电活动表明睡眠状态稳定，但心脏实际上看起来更"清醒"。
大脑和心脏信号之间的这种差异很可能指向由早期疾病引起的隐藏身体压力，远在任何明显症状出现之前。
跨学科合作至关重要
"如果我们在睡眠医学领域的同事怀疑某种联系，我们人工智能专家可以将其纳入预测系统，"Buschjäger解释道，"反之亦然，我们可以提供可能存在联系的线索。"
他说，人工智能可以提供统计相关性，但它们的含义以及任何因果关系仍必须由医学领域的合格专业人员解释。
SleepFM的预测主要基于睡眠实验室的数据，这意味着数据来自通常因睡眠问题被转诊给医生的人，以及居住在能够获得此类高科技医疗的地区的人，这些地区可能是更富裕的地区。
SleepFM研究人员整合了来自美国和欧洲睡眠者的数据，但通常没有睡眠问题的人以及来自世界较不富裕地区的人在SleepFM的建模中代表性不足。
SleepFM研究人员还指出，人工智能无法说明疾病的原因。它只能显示相关性——也就是说，它识别出可能与后续诊断相关的模式。
"大多数AI方法不会学习因果关系，"同样在德国为Sleepwalker项目分析睡眠数据的多特蒙德技术大学计算机科学家Matthias Jakobs解释道。
更多医学知识的潜力
AI使用机器学习，这是一种允许计算机在大量数据中寻找模式的编程。机器从数据中的模式"学习"。
但即使计算机只找到统计相关性，Jakobs在与DW的电子邮件采访中写道，诊断和医疗治疗仍有潜力。
Jakobs说，像SleepFM这样的模型可以更高效地记录睡眠阶段或睡眠呼吸暂停，这使医生能够花更多时间与患者在一起。
Buschjäger强调了跨学科合作的关键重要性。"人工智能模型可以被训练用于规划治疗，但解释结果并选择治疗的是人类——医生，他们通常不知道所有潜在原因，"这位数据科学家解释道。
专家们表示，这种睡眠诊断的潜力也超越了当前多导睡眠图和疾病预测之间的相关性。
如果某些睡眠信号反复与特定疾病相关联，它们很可能提供线索，说明神经系统、心血管系统或免疫系统中的哪些过程在早期受到干扰。专家表示，这类信息可以帮助所有人变得更健康，远远超出睡眠实验室的范围。
【全文结束】
