Stanford 的 SleepFM：用一夜睡眠解鎖健康預測

Stanford Medicine 的研究人員公布了一種突破性的人工智慧（artificial intelligence，AI）模型，能夠僅利用一夜睡眠的資料來預測超過 130 種疾病的風險。此項發展標誌著醫療 AI 的重大飛躍，將睡眠從被動休息的時段轉變為可用於長期健康診斷的豐富視窗。

該模型 SleepFM 利用基礎模型（foundation model）架構來分析在多導睡眠檢查（polysomnography，PSG）期間捕捉到的生理信號——這是睡眠分析的黃金標準。通過處理近 600,000 小時的歷史睡眠資料，該 AI 展現出空前的能力，能夠預測從心血管衰竭到如失智與帕金森氏症（Parkinson's Disease）等神經系統疾病的風險，往往在臨床症狀出現前數年就可預見。

睡眠資料的未開發潛力

數十年來，多導睡眠檢查（polysomnography） 一直是診斷睡眠特定疾病（如睡眠呼吸中止或失眠）的主要工具。接受這類檢查的患者會在診所過夜接受監測，感測器會記錄大量生理指標，包括腦波（EEG）、心律（ECG）、呼吸模式、眼動以及肌肉活動。然而，傳統分析方法歷來只聚焦於與睡眠病理相關的特定信號，捨棄了大量其他資料。

Stanford 的研究團隊意識到這些被丟棄的資料實際上是一座「未開發的金礦」，蘊含一般生理資訊。睡眠醫學教授、該研究的共同通訊作者 Emmanuel Mignot 醫學博士（MD, PhD）強調，睡眠研究擷取到的是人類生理的獨特快照。根據 Mignot，這些資料代表在受控環境下連續八小時的生物監測，其深度洞見是短暫臨床看診無法比擬的。

為了擷取這項潛力，團隊將 SleepFM 開發為一個多模態基礎模型（multimodal foundation model）。與為單一任務訓練的傳統 AI 模型不同，基礎模型被設計用來從龐大資料集中學習廣泛模式——類似於大型語言模型（LLMs）如 GPT-4 從文本中學習的方式。SleepFM 在大約 65,000 名個體與 1999 年至 2024 年間蒐集的近 600,000 小時生理記錄構成的資料集上進行訓練。

工程化「睡眠的語言」

開發 SleepFM 需要機器學習上新的方法。該模型並非僅尋找已知的疾病標記；相反地，它學習睡眠生理的內在「語法」。研究人員採用了稱為「留一對比學習（leave-one-out contrastive learning）」的技術。在此過程中，模型會被餵入短暫的五秒睡眠片段，但其中一項生理信號被移除（例如，心率資料被隱藏）。AI 接著被挑戰根據剩餘的資料流來預測缺失的信號。

這種訓練方法迫使模型理解不同身體系統之間深層且相互連結的關係——例如腦部活動的變化如何與心率或呼吸的變動相關。當模型掌握這些內部生理關係後，研究人員再將其微調以預測外在的健康結果。

透過將睡眠資料與同一批患者數十年的電子病歷相連結，團隊能夠找出特定睡眠模式與日後慢性疾病發展之間的關聯。結果顯示，SleepFM 能辨識出人眼看不見的細微亞臨床疾病特徵。

前所未有的預測準確度

SleepFM 的預測能力涵蓋了多個醫療範疇，包括腫瘤學（oncology）、心臟學與神經學。該研究發表於 Nature Medicine，模型評估了超過 1,000 種疾病分類，並識別出 130 種可被高準確度預測的特定疾病。

研究人員使用一致性指數（concordance index，C-index）來衡量模型的表現。C-index 值達到 0.8 或更高表示強大的預測能力，意即模型能在兩位病患間正確判斷誰更有可能發展該疾病的機率為 80%。SleepFM 在數十種嚴重疾病上達到了這一高門檻。

下表總結了模型對幾種關鍵疾病的預測表現：

這些數據顯示，SleepFM 尤其善於辨識涉及複雜全身退化的疾病風險，例如帕金森氏症與失智症。例如，對帕金森氏症的高預測準確度與既有醫學文獻一致，文獻指出睡眠異常——特別是快速動眼睡眠行為失調（REM sleep behavior disorder）——與早期神經退化相關。然而，SleepFM 能自動偵測這些模式並精確量化風險。

弥合睡眠與全科醫學之間的落差

SleepFM 的應用遠超睡眠中心。共同通訊作者、麻省醫學數據科學副教授 James Zou 博士（PhD）指出，像病理學與心臟學等醫療領域已見顯著的 AI 整合，而睡眠醫學相對較為孤立。SleepFM 展示了睡眠資料實際上是整體健康的代理指標。

模型最有前景的特點之一是它能利用多模態資料。研究人員發現，結合所有可用信號——腦、心與呼吸——能夠產生最準確的預測。然而，模型也顯示不同疾病會在睡眠資料中留下不同的「指紋」。心血管疾病以心率與 ECG 信號預測效果最佳，而神經系統疾病則與腦波活動更強相關。

這種細緻度允許更個人化的預防醫療策略。例若一位病患因打鼾接受例行睡眠檢查，便有可能同時獲得心臟病或癌症的風險評估，促使在症狀通常出現前數年進行早期篩檢與介入。

挑戰與未來方向

儘管結果令人振奮，將 SleepFM 部署到臨床實務仍面臨若干障礙。當前模型依賴多導睡眠檢查所提供的高解析度資料，這需要在病患身上貼附數十個感測器。此等資料品質目前僅在專業睡眠實驗室可得。

不過，研究人員對將此技術適配到消費性可穿戴裝置持樂觀態度。隨著智慧手錶與睡眠環越來越進步，它們開始捕捉到可近似 PSG 某些通道的資料，例如心率變異與活動量。如果能將 SleepFM 調整為能處理較雜訊且解析度較低的可穿戴資料版，本技術就有望普及，讓更多人能獲得此類健康預測。

此外，如此強大的預測技術也帶來倫理與隱私層面的重大考量。提前數年預測出高風險的失智或死亡，會引發關於如何將此資訊告知病患，以及其對保險或就業可能造成何種影響的複雜問題。

結論

SleepFM 代表了我們看待睡眠方式的典範轉移。它驗證了這樣一個假設：我們每晚的休息不僅僅是意識的中斷，而是一種複雜的生理狀態，能反映我們整體的生物健康。透過解讀睡眠中隱藏的訊號，Stanford 的 AI 為預防醫學開闢了新前沿——未來某天，一個良好的睡眠可能足以救命。

隨著技術成熟，我們可望朝向更整體的健康監測邁進，讓 AI 成為默默的守護者，分析我們被動產生的資料以保護未來的健康。睡眠資料這座「未開發的金礦」終於開始被開掘，其所含寶藏或將徹底改變醫療保健。