Нейросеть научилась предсказывать диабет по данным умных часов
Современные технологии позволяют людям эффективнее следить за здоровьем: например, с помощью брелков, которые сообщают о наличии аллергенов в еде, или татуировок для мониторинга уровня глюкозы в крови (о самых интересных разработках в этой сфере вы можете прочитать в нашем материале).
Наиболее часто среди подобных устройств люди используют фитнес-браслеты и умные часы — гаджеты позволяют пользователям следить за активностью, сном и сердцебиением. Полученные данные затем можно использовать в исследованиях, причем не только для составления статистик о здоровье людей, но и для того, чтобы улучшить качество таких устройств: например, для обучения нейросетей, которые в дальнейшем смогут сказать больше о здоровье пользователей.
Разработчики из Cardiogram совместно с исследователями из Калифорнийского университета в Сан-Франциско под руководством Марка Плетчера (Mark Pletcher) использовали для обучения нейросети данные более 50 тысяч человеко-недель, полученные от 14 тысяч участников исследования, пользовавшихся фитнес-приложением для Apple Watch.
Участники также предоставили информацию о существующих у них медицинских состояниях: в первую очередь исследователей интересовали диабет, повышенный холестерин, гипертония и сонное апноэ (остановка дыхания). Часть данных была использована для обучения LSTM-нейросети (одна из разновидностей рекуррентных нейросетей, узнать о которых вы можете здесь) без учителя: благодаря этому алгоритм научился распознавать вариации в человеческом сердцебиение, не имея при этом достаточно большого для обучения с учителем количества размеченных данных.
Данные о различиях в сердцебиении затем были использованы на тестовой, размеченной выборке — и алгоритм смог успешно определить диабет (84,5 процента), повышенный холестерин (74,4 процента), гипертонию (80,8 процента) и сонное апноэ (82,9 процента).
Несмотря на то, что использование DeepHeart показало свою эффективность, авторы отмечают, что в дальнейшем необходимо учитывать большое количество дополнительных переменных: возраст и пол участников, курение, потребление алкоголя и так далее.
В целом, считают ученые, такой метод может применяться для предупреждения появления изученных состояний с использованием фитнес-трекеров и умных часов разных производителей.
Еще одно возможное применение данных с фитнес-трекеров — это мониторинг сна с точностью, близкой к лабораторной. Это удалось сделать исследователям, которые в качестве основного показателя активности во время ночного отдыха использовали данные о положении и движениях рук пользователей.