SensorFM: Googles Foundation-Modell für Wearable-Gesundheitsdaten – Ein Quantensprung für die personalisierte Medizin

SensorFM ist ein von Google-Forschern entwickeltes Foundation-Modell, das auf über einer Billion Minuten unmarkierter Wearable-Sensorsignale von rund fünf Millionen Teilnehmern vortrainiert und an 35 verschiedenen gesundheitsbezogenen Aufgaben evaluiert wurde . Die Arbeit mit dem Titel „Towards a General Intelligence and Interface for Wearable Health Data“ stellt einen Schritt in Richtung einer allgemeinen KI für die kontinuierliche Gesundheitsüberwachung dar und zeichnet sich durch vier zentrale Merkmale aus:

Was SensorFM ist

• Massiver Trainingsumfang: SensorFM wurde auf mehr als einer Billion Minuten unmarkierter Sensorsignale einer Kohorte von rund fünf Millionen Menschen vortrainiert . Die Eingabedaten umfassen minütliche Sensor-Features (z. B. Beschleunigungssensor, Herzfrequenz, Temperatur, SpO₂) von Geräten wie Fitbit und Pixel Watch .
• Bewertung an 35 Aufgaben: Das Modell wird an 35 Gesundheitsvorhersageaufgaben evaluiert, die Bereiche wie Herz-Kreislauf-, Stoffwechsel-, Atemwegs-, Aktivitäts-, Schlaf- und psychische Gesundheit abdecken . Es übertrifft herkömmliche Methoden in 34 dieser Klassifikationsaufgaben .
• Skalierungseigenschaften: Die Forschung belegt, dass die gemeinsame Skalierung von Modellkapazität und Trainingsdatenvolumen zu systematischen Leistungsverbesserungen bei den nachgelagerten Aufgaben führt . Dies spiegelt die Skalierungsgesetze wider, die bei Sprach- und Bildmodellen beobachtet wurden, und bestätigt sie nun für Wearable-Sensordaten.

Wie es die allgemeine KI für die Gesundheitsüberwachung voranbringt

• Allgemeine Sensorrepräsentationen: Anstatt für jede Gesundheitserkrankung separate Algorithmen zu entwickeln, lernt SensorFM eine gemeinsame Repräsentation menschlicher physiologischer und verhaltensbezogener Muster aus unmarkierten Daten. Anschließend passt es sich mit begrenzten gelabelten Daten an spezifische Aufgaben an – ein Markenzeichen der Allgemeinheit von Foundation-Modellen.
• Integration mit LLM-Agenten: Das Modell setzt autonome LLM-Agenten ein (einschließlich Grounding in Gemini), um in Einbettungsräumen zu navigieren und Vorhersageaufgaben durchzuführen. Dies verbindet das Sensorverständnis direkt mit der Argumentationsfähigkeit von Sprachmodellen .
• Weg zu einem Personal Health Agent: Google Research hat separat den „Personal Health Insights Agent (PHIA)“ veröffentlicht – ein System, das mehrstufige Argumentation, Codegenerierung und Informationsabruf nutzt, um Wearable-Daten zu analysieren und Gesundheitsfragen zu beantworten . SensorFM stellt die grundlegende Sensorverständnisschicht bereit, die ein solcher Agent nutzen würde, um personalisierte, kontinuierliche Gesundheitseinblicke zu liefern.

Zusammenfassend skaliert SensorFM die sensor basierte KI auf ein Billionen-Minuten-, Fünf-Millionen-Menschen-Regime, demonstriert systematische Leistungssteigerungen mit zunehmender Größe, generalisiert über 35 Gesundheitsaufgaben hinweg und verbindet sich mit LLM-basierten persönlichen Gesundheitsagenten – ein konkreter Schritt hin zu einem einzigen, allgemeinen KI-System, das die menschliche Gesundheit kontinuierlich von Wearables aus überwacht und interpretiert.