Googles neues Foundation Model soll persönliche Gesundheitsassistenten verbessern

Google Research hat mit SensorFM ein Foundation Model vorgestellt, das physiologische und verhaltensbezogene Muster aus ungelabelten Wearable-Daten lernt und für eine Vielzahl von Gesundheitsaufgaben nutzbar machen soll.

Für das Vortraining nutzten die Forscher mehr als eine Billion Minuten multimodaler Sensordaten von fünf Millionen Fitbit- und Pixel-Watch-Nutzern aus mehr als 100 Ländern, erhoben mit über 20 verschiedenen Gerätemodellen. Das Modell verarbeitet 34 Merkmale aus fünf Sensortypen, darunter Herzfrequenz, Schlafphasen, Blutsauerstoffsättigung und Bewegungsdaten.

Das Training erfolgt selbstüberwacht. SensorFM rekonstruiert gezielt ausgeblendete Datenabschnitte. Ein eigens entwickeltes Maskierungsverfahren namens „Adaptive and Inherited Masking“ ermöglicht den Umgang mit echten wie künstlich erzeugten Datenlücken. Die Leistung steigt systematisch, wenn Modellgröße und Datenmenge gemeinsam wachsen. Der Rekonstruktionsfehler des größten Modells lag auf dem größten Datensatz 31 Prozent unter dem des kleinsten.

Bei Tests mit 13.985 Teilnehmern aus drei unabhängigen Studien übertraf SensorFM bei 34 von 35 Vorhersageaufgaben überwachte Vergleichsmodelle. Vier Kliniker bewerteten in mehr als 40 Stunden 93 Gesundheitszusammenfassungen für 31 reale Teilnehmerprofile und vergaben dabei 1860 Einzelbewertungen. Mit SensorFM-Vorhersagen schnitten die Zusammenfassungen in allen fünf bewerteten Bereichen signifikant besser ab als die Basisvariante.

Die Forscher benennen klare Grenzen. Das Modell wurde ausschließlich mit Fitbit- und Pixel-Watch-Daten trainiert, arbeitet mit minutenweise aggregierten statt hochaufgelösten Rohdaten und stützt sich bei vielen Gesundheitsmerkmalen auf Selbstauskünfte. SensorFM bleibt vorerst ein Forschungsmodell. Eine konkrete Integration in bestehende Google-Produkte hat das Unternehmen nicht angekündigt.