OpenMHC: Accelerating the Science of Wearable Foundation Models
Dieses Paper stellt OpenMHC vor, einen umfassenden Open-Access-Datensatz mit über 60 Millionen Stunden an Wearable-Gesundheitsdaten von fast 12.000 Teilnehmern sowie Open-Source-Implementierungen von Foundation-Modellen und einem einheitlichen Benchmark, um die Forschung im Bereich der Wearable-Gesundheits-KI zu demokratisieren und zu beschleunigen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Ihre Smartwatch ist ein winziger, unermüdlicher Detektiv, der niemals schläft. Jede Minute des Tages flüstert sie Ihrem Telefon Geheimnisse zu: wie viele Schritte Sie gemacht haben, wie schnell Ihr Herz raste, wie tief Sie geschlafen haben und sogar, wie viele Treppenstufen Sie bezwungen haben. Seit Jahren wollen Wissenschaftler Computern beibringen, diesen Flüstern zuzuhören und unsere Gesundheit besser zu verstehen. Sie nennen diese superintelligenten Computer „Foundation Models“ (Grundlagenmodelle). Betrachten Sie sie wie einen Meisterkoch, der bereits jedes Gericht der Welt probiert hat; sobald er die Aromen gelernt hat, kann er neue Rezepte erfinden oder sofort eine schlechte Zutat erkennen. Aber hier liegt das Problem: Um ein Meisterkoch zu werden, braucht man eine riesige Küche voller Zutaten. In der Welt der Gesundheitsdaten waren die größten Küchen hinter verschlossenen Türen verborgen, im Besitz großer Tech-Unternehmen, was Forschern nur winzige, leere Vorratsschränke hinterließ. Ohne genügend Daten können diese KI-Chefs die ganze Geschichte darüber nicht lernen, wie sich unsere Körper bewegen und fühlen.
Hier setzt ein Team von Forschern der Stanford University, des Imperial College London und anderer Institutionen mit einem massiven Schlüssel an. Sie haben die Türen zur „My Heart Counts“-Studie aufgeschlossen, einem digitalen Gesundheitsexperiment, das seit über einem Jahrzehnt läuft. Sie veröffentlichen einen Schatz namens OpenMHC. Dies ist kein kleiner Snack, sondern ein Festmahl aus über 67 Millionen Stunden Wearable-Daten von fast 12.000 Menschen. Es umfasst alles von Schrittzahlen und Herzfrequenzen bis hin zu Schlafmustern und Trainingsprotokollen, gesammelt von iPhones und Apple Watches. Zusammen mit diesem riesigen Datensatz teilen sie auch die „Rezepte“ (Code) und die „trainierten Köche“ (KI-Modelle), die sie zum Testen entwickelt haben. Ihr Ziel ist es, jedem, überall, die Möglichkeit zu geben, neue Wege zu entwickeln, um Gesundheitsprobleme vorherzusagen, fehlende Daten zu ergänzen oder zu prognostizieren, wie sich unsere Körper morgen verhalten könnten.
Wichtiger Hinweis zu den Zutaten: Bevor Sie mit dem Kochen beginnen, ist es wichtig zu wissen, dass diese Küche einige spezifische Eigenheiten hat. Die Personen, die die Daten beigesteuert haben, stammen hauptsächlich aus den USA, und die Gruppe ist zugunsten weißer Männer in ihren Dreißigern verzerrt. Das bedeutet, dass die „Aromen“, die die KI lernt, für den Rest der Welt vielleicht nicht exakt richtig schmecken. Außerdem war dies eine digitale Studie, weshalb alle Gesundheitsinformationen (wie etwa, ob jemand Diabetes hat oder wie glücklich er sich fühlt) von den Nutzern selbst berichtet wurden (Self-Reporting). Dies führt zu gewissem „Rauschen“ oder Unsicherheit bei den Labels, was es schwieriger machen kann, dass die KI perfekte Muster lernt. Schließlich ist die KI darauf ausgelegt, Gesundheitseigenschaften basierend auf den zum Zeitpunkt der Befragung gesammelten Daten zu erkennen, und nicht darauf, zukünftige medizinische Ereignisse wie einen Herzinfarkt im nächsten Jahr vorherzusagen.
Die große Enthüllung: Was sie herausgefunden haben
Die Forscher haben die Daten nicht einfach nur hingestellt; sie haben einen riesigen Spielplatz gebaut, um zu sehen, welche KI-Modelle tatsächlich Sinn ergeben. Sie richteten drei Hauptaufgaben ein:
- Vorhersage (Prediction): Kann die KI Ihre Gesundheitseigenschaften erraten (wie ob Sie Diabetes haben oder wie glücklich Sie sind), nur indem sie auf Ihre Watch-Daten schaut?
- Imputation (Ergänzen von Lücken): Da Menschen ihre Uhren zum Duschen oder Aufladen ablegen, gibt es Lücken in den Daten. Kann die KI erraten, was in diesen fehlenden Minuten passiert ist?
- Prognose (Forecasting): Kann die KI vorhersagen, wie Ihre Aktivität in den nächsten 24 Stunden aussehen wird?
Hier ist, was sie entdeckten:
1. Der „Spezialisierte Koch“ gewinnt, aber der „Einfache Koch“ ist immer noch stark
Als sie verschiedene KI-Modelle testeten, erwies sich ein Modell namens LSM-2 (ein Typ von Foundation Model, das speziell auf Wearable-Daten trainet wurde) als der beste Koch insgesamt. Es war am konsistentesten darin, gesundheitliche Ergebnisse vorherzusagen und fehlende Daten zu ergänzen. Die Forscher fanden jedoch etwas Überraschendes heraus: Ein viel einfacheres, älteres Modell namens XGBoost (das wie ein sehr organisierter, regelbasierter Taschenrechner funktioniert) kam sehr dicht auf den zweiten Platz. Tatsächlich war das einfache Modell bei einigen Aufgaben genauso gut wie die schicke, komplexe KI. Dies deutet darauf hin, dass zwar große KI mächtig ist, wir aber nicht davon ausgehen sollten, dass „komplexer“ immer „besser“ bedeutet. Manchmal bewirkt ein gut abgestimmtes, einfaches Werkzeug Wunder.
2. Große Sprachmodelle (wie Chatbots) hatten Schwierigkeiten
Das Team versuchte auch, massive Sprachmodelle (die Art, die Aufsätze schreibt und mit einem chattet) einzusetzen, um diese Gesundheitsrätsel zu lösen. Sie fütterten die Modelle mit den Daten in Form von Text oder Grafiken. Das Ergebnis? Diese riesigen Chatbots schnitten im Allgemeinen schlechter ab als die spezialisierten Gesundheitsmodelle und sogar die einfachen Taschenrechner. Es scheint, dass für das Lesen der spezifischen „Sprache“ von Herzschlägen und Schritten ein spezialisiertes Werkzeug viel besser geeignet ist als ein allgemeiner Zweckwerkzeug.
3. Langzeitgedächtnis hilft
Wenn es darum ging, die fehlenden Daten zu ergänzen (Imputation), waren die Modelle, die die Historie eines Nutzers über mehrere Tage hinweg betrachten konnten, deutlich besser als jene, die nur einen einzelnen Tag betrachteten. Es ist wie der Versuch zu erraten, was jemand gerade tut: Wenn man sie nur für eine Minute sieht, kann man sich irren. Aber wenn man weiß, dass sie normalerweise um 18 Uhr eine Runde joggen gehen, kann man eine viel intelligentere Vermutung anstellen. Das Paper legt nahe, dass die Nutzung der langfristigen Historie eines Nutzers der Schlüssel dazu ist, diese Modelle intelligenter zu machen.
4. Fairness ist wichtig
Die Forscher prüften auch, ob die Modelle alle Menschen gleichermaßen behandeln. Sie fanden heraus, dass die schicken KI-Modelle zwar genau waren, aber manchmal größere Fehler bei bestimmten Gruppen von Menschen machten (wie unterschiedlichen Altersgruppen oder Geschlechtern) im Vergleich zu den einfacheren Modellen. Dies ist eine entscheidende Erinnerung daran, dass wir, während wir diese Gesundheitstools entwickeln, sicherstellen müssen, dass sie für alle fair funktionieren und nicht nur für die Mehrheit.
Warum dies das Spiel verändert
Bevor dieses Paper erschien, war man blockiert, wenn man eine KI bauen wollte, die Wearable-Gesundheitsdaten versteht. Man konnte die Daten nicht bekommen und konnte nicht sehen, wie die großen Unternehmen ihre Modelle trainieren. Es war, als würde man versuchen zu lernen, ein Flugzeug zu fliegen, ohne jemals ein Cockpit gesehen zu haben.
OpenMHC ändert das, indem es jedem das Cockpit, das Handbuch und den Flugsimulator zur Verfügung stellt. Indem sie die Daten von 11.894 Teilnehmern über einen Zeitraum von 13 Jahren sowie den Code zum Ausführen der Modelle veröffentlichen, haben die Autoren dieses Feld demokratisiert. Sie behaupten nicht, alle Gesundheitsrätsel bereits gelöst zu haben; tatsächlich geben sie zu, dass die KI bei einigen Zuständen aufgrund der Natur der selbst berichteten Daten immer noch Schwierigkeiten hat, einen einfachen Basiswert zu schlagen. Aber sie haben das Fundament gelegt, damit die gesamte wissenschaftliche Gemeinschaft anfangen kann zu kochen, zu experimentieren und hoffentlich neue Wege zu entdecken, um uns gesund zu halten. Die Küche ist nun eröffnet, und die Zutaten liegen bereit für jeden, der sie nutzen möchte.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.