📄 health informatics

A foundation model of wearable pulse oximetry reveals physiological signatures of health and cardiometabolic risk

该论文介绍了 PulseOx-FM，这是一个通过数百万个可穿戴脉搏血氧图片段训练而成的自监督基础模型，其在预测包括未来高血压和次日血糖状态在内的多种心血管代谢及神经精神健康风险方面优于现有方法，从而建立了一种强大的非侵入性全球健康风险分层工具。

原作者： Kohn, S., Lutsker, G., Diament, A., Shilo, S., Gabet, A., Sasson, G., Wolf, G., Wolf, A., Godneva, A., Weinberger, A., Rossman, H., Segal, E.

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Kohn, S., Lutsker, G., Diament, A., Shilo, S., Gabet, A., Sasson, G., Wolf, G., Wolf, A., Godneva, A., Weinberger, A., Rossman, H., Segal, E.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你的身体就像一个正在演奏持续、无声交响乐的复杂管弦乐队。即使在你睡眠和静止不动时，你的心脏、血管和神经系统也在不断地调整着这首音乐的节奏、音量和律动。多年来，医生们只能听到其中最响亮的乐器：心跳和血氧水平。但在你的血流方式中，还隐藏着一层被很大程度上忽视了的、微妙且高分辨率的隐形音乐。

这篇论文介绍了一个名为 PulseOx-FM 的新工具——一个“音乐翻译器”（基础模型），它通过学习来自标准可穿戴脉搏血氧仪（即测量心率和血氧的小夹子或手表）的数据，来解读这层隐藏的音乐。

以下是研究人员的工作内容和发现，使用了简单的类比：

1. “超级聆听者”训练

研究人员并不是通过给 AI 一本规则教科书来教导它，而是使用了一种叫做“自监督学习”的方法。

类比： 想象你给一名学生 700 万段关于河流流动的短音频剪辑，但从未告诉他河流是什么。学生必须通过倾听，寻找模式，并预测流动的下一刻会发生什么。最终，这个学生会对河流的本质理解得如此透彻，以至于仅凭听水流的声音，就能描述出河流的健康状况、流速，甚至底部的岩石类型。
现实情况： AI（PulseOx-FM）是在超过 10,000 人 的 690 万段 睡眠数据上进行训练的。它学会了在没有人工干预的情况下重建原始血流波形，从而发现了人类专家此前忽略的深层模式。

2. “生物学年龄”测试

为了验证 AI 是否真的学到了有用的知识，研究人员让它猜测一个人的年龄。

类比： 把你的血管想象成橡皮筋。随着年龄增长，橡皮筋会变硬并失去弹性。旧的测量方法就像是用尺子去量橡皮筋（测量特定点）。而这个新 AI 就像一位高级匠人，他只需拿起橡皮筋，感受其张力，就能瞬间知道这根橡皮筋有多老，即使它已经被拉伸成了奇怪的形状。
结果： AI 预测年龄的准确度远高于现有方法。至关重要的是，它表现得如此出色，以至于即使在完全不同的场景下（麻醉下的手术过程），它也能准确预测患者的年龄，而无需重新训练。这证明它学习到了人类血流的基本物理规律，而不仅仅是特定“睡眠人群”的特定“声音”。

3. “健康快照”

研究人员测试了 AI 是否能仅通过聆听睡眠时的脉搏，就了解一个人的当前健康状况。

类比： 如果你走进一间房子，听到地板的吱吱声、冰箱的嗡嗡声以及门缝下的穿堂风，你就能推测出这房子是否陈旧、屋顶是否漏水或者管道是否生锈。你不需要看到房主，就能知道房屋的健康状况。
结果： AI 可以预测广泛的健康问题，包括：
- 心脏与血压： 它非常擅长发现高血压和心脏瓣膜问题的迹象。
- 睡眠呼吸暂停： 它检测睡眠期间呼吸中断的能力比标准的睡眠追踪设备更强。
- 心理健康： 出人意料的是，它还能检测到焦虑和抑郁的迹象，这很可能是因为这些状况改变了神经系统控制心脏的方式。
- 药物： 它能识别某人是否正在服用特定的心脏或血压药物，就像一个基于药物改变血流律动而存在的“药物检测器”。

4. “明天的天气”预报

其中一个最令人兴奋的发现是关于预测即将发生的事情。

类比： 通常，天气应用是通过观察今天的云层来猜测明天的降雨。而这个 AI 就像一位农夫，他在今晚观察土壤湿度和风向，从而在太阳升起之前，精准预测明天早晨庄稼会多么口渴。
结果： AI 可以仅根据你的睡眠脉搏，预测次日的血糖水平、能量消耗（你燃烧了多少卡路里），甚至可以预测你可能会吃什么。
重大发现： 研究人员想知道：“AI 是否只是在猜测你早餐吃了什么？”他们使用了一个特殊的“侦探”系统（一个 AI 智能体）来证明这种信号是直接的。睡眠脉搏不仅仅是饮食的影子；它是一个直接的生理信号，告诉你在不考虑饮食内容的情况下，你的身体在次日血糖表现方面会如何。

5. “通用翻译机”

最后，论文展示了该工具如何在不同的生理“方言”之间运作。

类比： 大多数工具就像一本只能将英语翻译成法语的字典。PulseOx-FM 则像是一个通用翻译机，它学习了英语（睡眠中的人），但可以瞬间理解并翻译日语（手术中的病人），而无需学习新的字典。
结果： 在家中健康的睡眠者身上训练的模型，在手术室里的病患身上同样表现出色。这表明它已经掌握了人类血流的“通用语法”。

总结

简而言之，这篇论文声称，通过利用大规模 AI 来聆听睡眠期间血流这种微妙、高分辨率的“音乐”，我们现在可以：

比以往任何时候都更准确地测量生物学年龄。
在无需侵入性检查的情况下，检测隐藏的健康风险（如心脏病、睡眠呼吸暂停和焦虑）。
直接从夜间数据中预测次日的代谢状态（如血糖）。

作者强调，这是一个基础模型——一个已经学习了生理学底层规则的强大引擎。他们表示，这为使用简单、廉价的可穿戴设备来监测全球健康风险打开了大门，而这种监测在以前只能通过昂贵、复杂的医院设备来实现。然而，他们也指出，虽然该工具功能强大，但目前它会将疾病信号与药物信号混合在一起，因此在将其作为标准医疗诊断工具之前，还需要更多的测试。

技术摘要：可穿戴脉搏血氧仪的基础模型

问题陈述
光电容积脉搏波（PPG）是一种广泛应用于消费级可穿戴设备和临床设备的非侵入式光学技术，用于监测心率和血氧饱和度。虽然原始 PPG 波形包含了编码心血管、自主神经和呼吸状态的丰富生理数据，但这些信息在很大程度上仍处于未解释状态。目前的 PPG 深度学习应用受限于特定任务的监督（例如睡眠分期），或依赖于手工设计的特征（例如特征点），而这些特征往往会对特定的诊断目标（如呼吸暂停低通气指数 AHI）产生过拟合。因此，存在着技术鸿沟：可扩展的 PPG 模型缺乏广泛的预测能力，而全面的生理模型（例如使用全多项睡眠图的模型）则难以在大规模人群健康领域进行推广。作者认为，在一个大规模无标签 PPG 数据上训练的基础模型，可以解锁内在的生理特征，用于全球健康风险分层。

方法论
本研究引入了 PulseOx-FM，这是一个基于 Transformer 的基础模型，旨在从原始外周脉搏血氧信号中学习潜在表示。

数据来源： 该模型在人类表型项目（Human Phenotype Project, HPP）上进行了预训练，这是一个涉及 11,311 名参与者的大规模纵向研究。该数据集包含 45,068 条夜间睡眠监测记录（共 310,264 小时），通过 WatchPAT 设备采集，获取 SpO2、脉率和外周血流波形（通过外周动脉压力分析，PAT）。
预训练： PulseOx-FM 采用了 掩码自编码器（Masked Auto-Encoder, MAE） 目标。它在 6,995,558 个 2 分钟脉搏血氧数据段上进行了训练。这种自监督学习方法通过重建输入信号的掩码部分，使模型能够在没有人工标签的情况下学习生理表示。
架构： 该模型采用 Transformer 编码器-解码器结构来生成 256 维的潜在嵌入（latent embeddings）。这些嵌入在每晚的多个片段中进行池化处理，并输入到轻量级的特定任务预测头中。
评估策略：
- 基准测试： 模型性能与既有基准进行了比较，包括开源特征提取工具（PyPPG）和专利设备算法（WatchPAT）。
- 下游任务： 冻结的嵌入被用于评估 64 个表型目标，包括连续性测量指标（血液检测、身体成分、睡眠参数）和二元结局（诊断、药物摄入）。
- 泛化性： 模型在外部、分布外（out-of-distribution）队列 VitalDB 上进行了测试，该队列包含 6,156 名在全身麻醉下接受术中监测的参与者，其背景环境与训练数据截然不同。
- 纵向分析： 研究分析了随时间变化的个体内部稳定性（连续夜晚对比间隔两年的夜晚），以及在控制睡眠结构和饮食摄入后预测次日代谢状态（血糖、饮食、活动）的能力。

关键结果

作为健康基准的年龄预测：
- PulseOx-FM 在预测生理年龄（作为全球健康的代理指标）方面显著优于 PyPPG（手工特征）和 WatchPAT 专利特征。
- 在 HPP 测试集上，PulseOx-FM 实现了 0.69 的皮尔逊相关系数 ( $r$ )，而 PyPPG 为 0.65，WatchPAT 为 0.64。
- 至关重要的是，该模型在外部 VitalDB 手术队列上保持了稳健的性能 ( $r=0.70$ )，证明其学习到的表示能够从门诊睡眠状态泛化到急性术中状态，且无需微调。
广泛的表型预测：
- 将 PulseOx-FM 嵌入添加到人口统计学基线（年龄、性别、BMI）中，显著提升了 64 个目标的预测效果。
- 心血管代谢领域： 在呼吸扰动指数 ( $r: 0.36 \to 0.76$ )、AHI ( $0.43 \to 0.70$ )、收缩压/舒张压、甘油三酯以及颈动脉内膜厚度方面的增益最为显著。
- 药物检测： 模型在检测药物类别方面表现出实质性的改进，特别是精神兴奋剂（AUC $0.49 \to 0.70$ ）和抗高血压药物（β 受体阻滞剂、RAAS 抑制剂、钙通道阻滞剂），这表明嵌入捕捉到了血管中的药效学特征。
- 睡眠结构： 模型恢复了人口统计学数据本身无法预测的睡眠参数（如睡眠效率、总觉醒时间），表明其从原始波形中内化了个体水平的睡眠结构。
纵向与次日预测：
- 高血压风险： 模型能够前瞻性地识别常血压人群中两年的高血压发病情况（AUC $0.51 \to 0.64$ ），表明其捕捉到了临床前期的血管特征。
- 个体内部稳定性： 同一患者在连续夜晚的嵌入距离显著小于人口统计学匹配的陌生人（中值 L2 距离分别为 0.68 和 1.55），证实了其具有稳定且具有个体特异性的生理指纹。
- 次日代谢状态： 与仅使用睡眠结构特征相比，嵌入显著改善了对次日血糖管理指标（GMI）、能量消耗和活动水平的预测。
- 独立于饮食的血糖信号： 通过使用基于文献的智能体分析系统，作者进行了因果中介分析。研究发现，每晚嵌入与次日血糖之间的关联 主要是一种直接的生理效应（约占总效应的 100%），而非由次日饮食摄入所中介。

意义与主张
论文声称 PulseOx-FM 建立了一个通用的框架，能够仅通过单一的可扩展光学信号对生理模式进行编码。其意义在于弥合了消费级可穿戴设备的可及性与全面生理建模的预测深度之间的差距。

内在生理学习： 模型在无需微调的情况下从睡眠状态迁移到麻醉状态的能力，表明它学习的是人类血管生理学的内在系统属性，而非特定数据集的伪影。
超越生命体征： 研究结果表明，原始 PPG 波形包含的信息远超心率和 SpO2，能够捕捉血管老化、心血管代谢风险和自主神经调节。
精准医疗潜力： 通过识别亚临床血管信号（如未来的高血压风险）和独立于饮食的代谢状态，PulseOx-FM 为实现全球风险分层的被动、持续且易于获取的纵向健康监测提供了一条路径。

作者总结道，尽管该模型在临床转化方面展现出前景，但在临床部署之前，仍需在多样化人群中进行前瞻性验证，并进一步开展工作以区分疾病特征与药物效应。