斯坦福大学医学院及其合作者开发出一种名为SleepFM的人工智能系统，能够通过分析一晚睡眠中的生理信号，预测个体未来患超过100种疾病的风险。该系统基于近60万小时的睡眠数据训练而成，涵盖6.5万名受试者，数据来源为多导睡眠图（polysomnography），可监测脑电、心率、呼吸、眼动、肢体活动等多维度生理指标。 睡眠研究长期以来被视为诊断睡眠障碍的“金标准”，但其记录的海量数据在临床中仅被部分使用。斯坦福团队发现，睡眠期间的生理信号实际上反映了人体整体健康状态。通过AI技术，他们首次大规模应用深度学习分析这些复杂数据。SleepFM采用“基础模型”架构，将每5秒的睡眠片段视为“语言单位”，学习不同生理信号之间的关联。研究团队创新性地使用“留一法对比学习”方法，让模型在缺失某一类信号时仍能重建，从而掌握多模态数据的统一“语言”。 在验证中，SleepFM在识别睡眠阶段和评估睡眠呼吸暂停方面表现达到或超过现有先进模型。更关键的是，研究团队将睡眠数据与长达25年的电子健康记录进行关联分析，发现该系统能以较高准确度预测130种疾病。其中，对帕金森病（C指数0.89）、痴呆（0.85）、高血压性心脏病（0.84）、心肌梗死（0.81）、前列腺癌（0.89）、乳腺癌（0.87）和死亡（0.84）的预测效果尤为突出。 C指数衡量模型对风险排序的准确性，0.8表示模型在80%的情况下能正确判断谁更可能先发生健康事件。研究者指出，临床中已有C指数约0.7的模型被用于癌症治疗决策，因此0.8以上的表现具有重要应用潜力。 目前，研究团队正致力于提升模型性能并理解其决策逻辑。他们发现，最精准的预测来自对多种生理信号的综合对比，例如脑电显示“睡眠”状态但心率却呈现“清醒”模式，可能提示潜在健康问题。未来版本或将整合可穿戴设备数据，进一步拓展应用。 该研究由斯坦福大学、丹麦技术大学、哥本哈根大学医院、哈佛医学院等机构合作完成，获美国国立卫生研究院、Knight-Hennessy学者项目及Chan-Zuckerberg生物中心资助。