概要
https://www.nature.com/articles/s41591-025-04133-4
詳細内容
## 睡眠データを用いた疾患予測のためのマルチモーダル基盤モデル「SleepFM」の提示
https://www.nature.com/articles/s41591-025-04133-4
**Original Title**: A multimodal sleep foundation model for disease prediction
提示する「SleepFM」は、6.5万人以上の睡眠ポリグラフ検査（PSG）データを活用し、複数の生理学的信号を統合することで130種類以上の将来的な疾患リスクを高い精度で予測するマルチモーダル基盤モデルである。
**Content Type**: 🔬 Research & Analysis
**Language**: en
**Scores**: Signal:5/5 | Depth:5/5 | Unique:4/5 | Practical:3/5 | Anti-Hype:4/5
**Main Journal**: 87/100 | **Annex Potential**: 86/100 | **Overall**: 84/100
**Topics**: [[Foundation Models, Multimodal AI, Contrastive Learning, Bio-signal Processing, Disease Prediction]]
睡眠は脳、心臓、呼吸器、筋肉の活動が複雑に絡み合う生物学的プロセスであり、健康状態を映し出す鏡である。本記事では、この「睡眠の言語」を解読するために開発された大規模マルチモーダル基盤モデル「SleepFM」を提示している。著者は、従来の睡眠分析が特定の疾患や手動アノテーションに依存し、PSG（睡眠ポリグラフ検査）に蓄積された豊かな生理学的データを十分に活用できていなかった課題に対し、自己学習による汎用的な表現学習がブレイクスルーになると主張している。
技術的な核心は、4つの異なるコホートから集められた58.5万時間分、65,000人の参加者に及ぶ膨大なPSGデータを用いた事前学習にある。SleepFMは、EEG（脳波）、ECG（心電図）、EMG（筋電図）、呼吸信号という異種モダリティを統合して扱う。特筆すべきは、入力チャネルの数や種類が異なるデータセット間でも柔軟に対応できる「チャネル・アグノスティック（チャネルに依存しない）」なアーキテクチャだ。これを実現するために、アテンション・プーリングを用いたチャネル統合と、Leave-One-Out Contrastive Learning（LOO-CL）という独自の対照学習手法を導入している。LOO-CLは、ある一つのモダリティを、他のすべてのモダリティの平均値とアライメント（整合）させることで、一部の信号が欠損しているデータに対しても堅牢な表現を獲得させる。
このアプローチの意義は、一晩の睡眠記録から将来の130種類以上の疾患リスクを予測できる点にある。全死亡率（C-Index 0.84）をはじめ、認知症（0.85）、心不全（0.80）、慢性腎臓病（0.79）など、多様な疾患において従来の教師あり学習モデルやデモグラフィック情報のみを用いた予測を大幅に上回る性能を示した。
エンジニアの視点では、本研究はLLMのパラダイムを生理学的信号という専門領域に拡張し、成功させた重要な事例である。特に、異種混合でノイズの多いリアルタイム・センサーデータを、トランスフォーマーを用いてどのように汎用的な特徴量へ抽象化するかという設計思想は、複雑なドメインデータを扱うAIシステム構築において極めて示唆に富んでいる。著者は、このモデルが将来的にウェアラブルデバイス等と連携し、低コストでスケーラブルな健康モニタリングのインフラになると結論付けている。