睡眠不足不仅意味着次日的无精打采，更可能隐藏着多年后疾病发作的信号。近日，斯坦福医学院（Stanford Medicine）的研究人员及其合作者在《自然-医学》（ Nature Medicine ）上发表了一项突破性研究。他们开发出一种名为SleepFM的新型人工智能基础模型，仅需分析单晚的睡眠生理记录，即可预测受试者未来患上100 多种健康疾病的风险。
挖掘生理数据的“富矿”
该模型基于从65,000 名参与者中收集的近60 万小时睡眠数据训练而成。这些数据源自多导睡眠监测（Polysomnography, PSG），这是睡眠研究的“金标准”，通过传感器记录脑电、心电、呼吸信号、腿部运动及眼球运动等多种生理指标。
“在研究睡眠时，我们记录了惊人数量的信号，”该研究的通讯作者之一、斯坦福大学睡眠医学教授Emmanual Mignot 表示，“这是一种通用生理学研究，受试者在八小时内完全处于受监测状态，数据极其丰富。”然而，目前的临床医学仅利用了这些数据的一小部分，而AI 的介入让挖掘这座生理学“金矿”成为可能。
“学习睡眠的语言”：SleepFM的诞生
为了利用海量数据，研究团队构建了一个基础模型（Foundation Model）。这种模型能够在大规模数据上进行自我训练，并将所学知识应用于多种任务。
-
训练规模：研究人员将58.5 万小时的PSG 数据切分为5 秒长的片段——类似于大语言模型中的“单词”——让SleepFM 进行学习。
-
核心技术：团队开发了一种名为**“留一法对比学习”（leave-one-out contrastive learning）**的新型训练技术。该技术会刻意隐藏某一维度的生理数据（如心电信号），挑战模型根据脑电或呼吸等其余信号重建缺失部分。
-
多模态融合：该方法成功使SleepFM 能够协调脑电、心电、脉搏及呼吸等多重生理信号，从而“学会了睡眠的语言”。
精准预测：从痴呆症到癌症
在完成基础训练后，研究人员结合斯坦福睡眠医学中心长达半个世纪的健康档案（部分患者随访期长达25 年），对模型预测未来疾病的能力进行了测试。
在分析的1,000 多个疾病类别中，SleepFM 能以较高的准确度预测其中的130 种疾病。研究人员使用一致性指数（C-index）来衡量预测性能，SleepFM 在多项重大疾病中表现卓越：
-
帕金森病（Parkinson's disease）： C-index 0.89
-
癌症（包括前列腺癌、乳腺癌）： C-index 0.87-0.89
-
痴呆症（Dementia）： C-index 0.85
-
心血管疾病（如心肌梗死、高血压性心脏病）： C-index 0.81-0.84
-
死亡风险预测： C-index 0.84
“即便预测精度在0.7 左右的模型（如预测患者对癌症化疗的反应）在临床上已被证明非常有用，而SleepFM 在多种复杂疾病上的预测力令我们感到惊喜，”研究通讯作者James Zou 教授说道。
信号“失步”或为患病征兆
研究团队发现，最精准的预测往往并非来自单一信号，而是源于不同生理通道之间的对比与失衡。
Mignot 教授指出，当身体的生理指标表现出“不同步”时，往往预示着健康隐患。例如，如果一个人的大脑信号显示其处于深睡状态，但心脏信号却表现出清醒时的特征，这种生理冲突可能正是潜在疾病的早期生物标志物。
目前，研究团队正致力于将佩戴式设备的数据纳入模型，并进一步解析模型背后的决策逻辑。这项研究预示着，未来睡眠监测或许不仅是为了诊断失眠或呼吸暂停，更将成为一项常规的长效健康预警工具。
参考文献：A multimodal sleep foundation model for disease prediction, Nature Medicine (2026). DOI: 10.1038/s41591-025-04133-4
编辑：王洪
排版：李丽
评论 (0)