New Samsung Health AI Models Learn to Understand Body Signals from Wearables
سامسونغ يراهن على الطب الوقائي، والتطورات الجديدة في الاستخبارات الاصطناعية من المتوقع أن تقرب تلك اللحظة. شعبة البحوث في (سامسونغ) في (أمريكا) قد أدخلت نموذجين أساسيين لـ (آي إي) مصممين لتحليل العلامات الحيوية التي جمعتها الواشيات الذكية وغيرها من الأجهزة القابلة للارتداء هذه النماذج ليس فقط لتسجيل القياسات، ولكن لاستخلاص أفكار صحية مفيدة منها باستمرار ودون تدخل بشري.
ويشكل العمل جزءاً من المفهوم الأوسع للرعاية المشتركة الذي ناقشه سامسونغ في المنتدى الصحي في تموز/يوليه 2026. والفكرة هي الجمع بين البيانات المستمدة من القابلات للزراعة والطب التقليدي وخدمات الشركاء في نظام واحد قادر على توقع المشاكل قبل أن تصبح خطيرة. والنماذج الجديدة هي الأساس التقني لهذا النهج: فهي تتعلم كيف ترتبط إشارات الجسم المختلفة ببعضها البعض، للقيام بذلك مباشرة على الجهاز.
لماذا الخوارزميات التقليدية تنقصها العلامات الحيوية
البيانات من القابلات للارتداء ليست مجرد عدّة خطوات ومعدل نبضات قلب It consists of complex time series, including electrocardiograms (ECG), photoplethysmograms (PPG), sleep stage information, and motor activity. وهذه الإشارات تعتمد اعتمادا كبيرا على السياق: فمعدل القلب نفسه يمكن أن يعني الإجهاد، أو الإجهاد البدني، أو بداية المرض ويصعب بصفة خاصة تدريب النماذج التقليدية على جميع هذه المعاني عندما تكون البيانات الطبية المسمومة شحيحة.
لهذا السبب تحول الباحثون إلى التعلم المشرف على الذاتويجد النموذج نفسه أنماطاً في أحجام كبيرة من البيانات غير الموثقة، ويمكن عندئذ تطبيق هذه الأفكار على مهام محددة مثل التنبؤ بمخاطر القلب والأوعية الدموية أو تصنيف مراحل النوم. وقد أثبت هذا النهج نجاحه بالفعل في تجهيز النصوص والصور، ويجري الآن تكييفه للعلامات البيولوجية.
نموذج XMAE: التعلم لرؤية القلب من خلال نبض
ويسمى النموذج الأول " XMAE " (Physiology-Aware Masked Cross-Modal Reconstruction). وتتمثل سمته الرئيسية في القدرة على ربط مختلف أنواع الإشارات. وعلى وجه التحديد، تتعلم شركة XMAE العلاقة بين البيانات المستمرة لأفضل التقنيات العامة وبين الإشارات التي تشير إليها الجماعة الأوروبية.
كتذكير، (إم جي) يقيس مباشرة النشاط الكهربائي للقلب ويسمح بتقييم الإيقاع والتفاوت وكشف الشذوذ مثل التلويث ولكن على المرتدين، يتطلب أخذ جهاز (إم جي) إيقاف وضع إصبع على الكهرومغناطيسي لا يعمل بشكل سلبي. ومن ناحية أخرى، يقيس الفريق باستمرار تغيرات تدفق الدم من خلال جهاز استشعار بصري. لكن هناك تأخير بين نبضات القلب الكهربائية و موجة النبض مثل الفجوة بين البرق والرعد ويتمثل التحدي في فهم كيفية إعادة بناء إشارة واحدة من الأخرى.
يَحْلُّ هذه المشكلةِ: يَتعلّمُ إعادة بناء الأجزاءِ "مَكْسُوسة" مِنْ البياناتِ PPG. وكان هذا النموذج مُقيداً على نحو 400 9 ساعة من التسجيلات المتزامنة لمجموعات النُظم والتصنيف المغناطيسي. ونتيجة لذلك، يمكن للنموذج تقدير خصائص القلب والأوعية الدموية الناجمة عن استمرار استخدام الغاز المميت دون الحاجة إلى قياسات يدوية منفصلة. هذا يجعل مراقبة القلب غير مرئية للمستعمل
In tests, xMAE outperformed unimodal models and several existing multimodal learning approaches in 15 out of 19 evaluation tasks. وتشمل هذه المهام التنبؤ بمرض القلب والأوعية الدموية، والكشف عن نتائج المختبرات الشاذة، وتحديد مراحل النوم. وعلاوة على ذلك، ثبت أن الملامح المتعلمة قوية بالنسبة للتغييرات في وضع الأجهزة والاستشعارات، مما يمهد الطريق لنموذج موحد عبر مختلف الأدوات القابلة للارتداء.
نموذج هيما: تحليل مدمج عبر جداول زمنية متعددة
أما النموذج الثاني - هايما (Hierarchical Masked Autoencoder) - فهو يشكل تحدياً مختلفاً. وتتغير العلامات الأحيائية بمعدلات مختلفة: تذبذب القلب كل ثانية، بينما تتكشف أنماط النوم على مر دقائق وساعات. وللحصول على كلا النوعين من الأنماط، تستخدم شركة هيما للأغصان المتعددة التي تحلل أجزاء البيانات القصيرة والطويلة كل على حدة. وهذا يسمح للنموذج بالتكيف مع الجدول الزمني المناسب تبعاً للمهمة، على سبيل المثال، تحليل تقلبات معدل ضربات القلب أو التنبؤ بنوعية النوم.
تدريب (هيما) مبني أيضاً على إعادة بناء شظايا البيانات المقنعة لذا لا يتطلب مجموعة بيانات كبيرة وفي الوقت نفسه، يمكن لنموذج واحد مُسبق التدريب أن يعالج أنواعا مختلفة من المهام: التصنيف، والتنبؤ الرقمي، وحتى توليد البيانات.
ميزة هيما هي الكفاءة وهو يحقق درجة عالية من الدقة بحجم نموذجي أصغر من البدائل الموجودة، ويؤدّي حوسبة في أقل من 1 مليمتر ثان على مجهز ذي درجة حرارة ذكية. هذا يعني أن التحليل يمكن أن يُجرى بالفعل دون إرسال بيانات إلى السحابة For the user, this translates to privacy and immediately response - for example, to an abnormal heart rhythm.
ما التالي
According to Sharani Desai, head of digital health algorithms at Samsung Research America, these models are just the foundation. وفي المستقبل، سيجري توسيع نطاق هذا النهج ليشمل العلامات البيولوجية والسمات الصحية الأخرى مع مواصلة العمل على أجهزة ذات أجهزة استشعار محدودة وموارد حاسوبية محدودة. Subbu Venkatraman, head of the digital health research laboratory, adds that the key contribution of the work is demonstrating the viable of health foundation models for capturing relationships between signals and temporal structures.
وقد قُبِل كلا النموذجين لنشرهما في مؤتمرين هامين - هما المؤتمر الدولي المعني بمكافحة غسل الأموال (XMAE) والمركز الدولي للبحوث الزراعية - مما يؤكد الأهمية العلمية للعمل. ولكن الأهم من ذلك، أن هذه خطوة نحو الملبس تصبح أكثر من مجرد مواجهة خطوة، تتطور إلى مساعد للصحة الشخصية الذي يلاحظ المشاكل قبل أن يفعل الشخص.
