5百万人のwearable信号からSensorFM、健康AIを単一表現へ

wearable健康AIの焦点は、個別の睡眠スコアや心疾患リスク推定だけではなくなっている。断片的で欠損の多いセンサー信号を、人間の生理状態を表す汎用表現へ変換できるかが問われている。Google ResearchのSensorFMは、その問いに大規模データで答えようとするモデルだ。

事前学習に使われたのは、同意を得た5百万人分のde-identified FitbitおよびPixel Watchデータ。期間は2024年9月から2025年9月までで、100カ国以上、米国50州、20種類以上のデバイスを含む。総量は2十億時間超、1兆分を超えるminute-resolution信号に達する。

SensorFMはPPG、accelerometry、EDA、skin temperature、altimetryの5系統から作られる34個の1分単位特徴を入力にする。心拍、心拍変動、血中酸素、睡眠段階、動き、歩数、皮膚電気活動、温度を24時間の文脈で扱う設計だ。

鍵になるのは欠損の扱いである。wearableデータは充電、装着外れ、省電力、センサー切り替えで途切れる。SensorFMはAdaptive and Inherited Maskingを使い、実際に欠けた区間と学習のために隠した区間を同じ再構成問題の中で扱う。きれいな連続データだけを残すのではなく、現実の不完全さを学習材料にする。

Googleの報告では、最大モデルのSensorFM-Bは最小variantに対してreconstruction lossを31%下げた。下流タスクでは分類で平均9%のAUC改善、回帰で平均21%のPearson coefficient改善を示した。3つの独立したprospective study、計13,985人に基づく35タスク評価では、frozen embeddingに軽量なlinear headを載せただけで34タスクにおいて特徴量設計型のsupervised baselineを上回った。

さらにLLM agentが予測headを自動設計する“classroom”実験では、30,000超の候補を探索し、20分類タスク中16、15回帰タスク中12で単純なlinear probeを超えた。医療判断を即座に任せられるという話ではない。それでも、wearable信号を疾患別の小さなモデルではなく、健康AIの共通基盤として扱う方向性はかなり明確になった。