新智元報(bào)道

編輯：桃子

【新智元導(dǎo)讀】谷歌DeepMind最新Nature王炸，直接把Gemini版大模型PH-LLM調(diào)教成了「AI健康私教」，把可穿戴冷冰冰的數(shù)據(jù)，直接變成睡眠健身建議，結(jié)果準(zhǔn)確率暴打人類醫(yī)生。

AI醫(yī)學(xué)的圣杯，可能先被谷歌DeepMind奪下。

最近，谷歌全新健康大語言模型（PH-LLM）正式發(fā)布——一款微調(diào)Gemini的「?jìng)€(gè)人睡眠和健康」模型。

論文地址：https://www.nature.com/articles/s41591-025-03888-0?utm_source=chatgpt.com

PH-LLM將可穿戴設(shè)備中的數(shù)據(jù)，瞬間轉(zhuǎn)化為可視化的內(nèi)容。

它就像一個(gè)「AI睡眠專家+健身教練」，可以全天候分析監(jiān)測(cè)個(gè)人的智能手表數(shù)據(jù)。

結(jié)果發(fā)現(xiàn)，PH-LLM在睡眠醫(yī)學(xué)考試中得分（79%）碾壓醫(yī)生（76%），而且在健身認(rèn)證中直接把人類專家按在地上摩擦（88% vs 71%）。

更牛的是，在人類評(píng)估中，PH-LLM生成的健康建議，幾乎與專家無差別。而且，僅憑傳感器數(shù)據(jù)，即可預(yù)測(cè)用戶睡眠質(zhì)量。

大多數(shù)可穿戴設(shè)備，往往只會(huì)給你一堆數(shù)據(jù)。

遺傳學(xué)博士Dominic Ng對(duì)此點(diǎn)評(píng)道，「PH-LLM所做的，正是一位優(yōu)秀醫(yī)生會(huì)做的事，即將數(shù)據(jù)綜合成『洞察』」。

最新研究已于14日登上Nature，具體看看，谷歌DeepMind如何做到的？

谷歌出手不凡，Gemini版「健康私教」

傳統(tǒng)臨床診療雖能提供寶貴信息，但對(duì)睡眠、運(yùn)動(dòng)、壓力等，生活健康指標(biāo)評(píng)估僅具階段性。

如今，可穿戴設(shè)備就能實(shí)現(xiàn)無感連續(xù)監(jiān)測(cè)。

不過，這些數(shù)據(jù)缺乏上下文背景，存儲(chǔ)分析算力要求高、解讀難度大等因素，并未廣泛應(yīng)用于臨床實(shí)踐。

甚至，這些數(shù)據(jù)也并未納入標(biāo)準(zhǔn)「醫(yī)學(xué)問答數(shù)據(jù)集」，導(dǎo)致通用基礎(chǔ)LLM和醫(yī)學(xué)LLM，都難以有效推理給出個(gè)性化建議。

為此，谷歌團(tuán)隊(duì)合力在Gemini上微調(diào)出PH-LLM，用于評(píng)估AI在睡眠與健康領(lǐng)域的表現(xiàn)，如下圖所示。

可穿戴設(shè)備能監(jiān)測(cè)信息遠(yuǎn)超這兩個(gè)領(lǐng)域，為什么研究團(tuán)隊(duì)僅聚焦于此？

一方面，現(xiàn)有研究已充分驗(yàn)證可穿戴設(shè)備，在這些領(lǐng)域監(jiān)測(cè)數(shù)據(jù)的準(zhǔn)確性與適用性。

另一方面，設(shè)備使用者參與度高，無需提供臨床建議即可給出實(shí)用指導(dǎo)方案。

研究中的真實(shí)案例：僅憑一名65-70歲男性提供的30天數(shù)據(jù)，PH-LLM便識(shí)別出了規(guī)律的睡眠時(shí)間表，但平均睡眠時(shí)間僅為5小時(shí)28分鐘（過低）。

為此，它建議道：

更好的睡眠時(shí)間是從晚上12:00到早上7:30。你可以通過每隔幾天將睡眠時(shí)間提前15分鐘，逐步達(dá)到目標(biāo)。

基于Gemini Ultra 1.0，PH-LLM采用了兩階段訓(xùn)練。

首先，作者對(duì)完整模型進(jìn)行了微調(diào)，專門針對(duì)睡眠和健康領(lǐng)域的長(zhǎng)篇案例分析回復(fù)生成任務(wù)。

訓(xùn)練數(shù)據(jù)包含了，人口統(tǒng)計(jì)學(xué)文本數(shù)據(jù)、最長(zhǎng)30天的每日指標(biāo)、聚合指標(biāo)，以及僅針對(duì)健康案例的個(gè)體運(yùn)動(dòng)日志等。

在完成案例分析微調(diào)后，他們又為PH-LLM增加了多模態(tài)適配器。

這個(gè)適配器是用于，根據(jù)至少15天的縱向被動(dòng)傳感器數(shù)據(jù)（包含每日睡眠與活動(dòng)指標(biāo)），來預(yù)測(cè)睡眠障礙和睡眠損傷的主觀報(bào)告結(jié)果（PROs）

兩階段訓(xùn)練完成后，團(tuán)隊(duì)從個(gè)人健康教練所需的多元能力維度出發(fā)，針對(duì)三大任務(wù)評(píng)估了PH-LLM的表現(xiàn)：

首先，通過多選題測(cè)試評(píng)估模型掌握的專家級(jí)領(lǐng)域知識(shí)儲(chǔ)備；

其次，通過長(zhǎng)案例研究檢驗(yàn)?zāi)Ｐ蛻?yīng)用專業(yè)知識(shí)、解讀聚合傳感器數(shù)據(jù)以提供教練建議的能力；

最后，測(cè)試模型預(yù)測(cè)患者主觀報(bào)告結(jié)果（PROs）的能力，使其在生成建議時(shí)能整合個(gè)體對(duì)睡眠質(zhì)量的自評(píng)數(shù)據(jù)，真正實(shí)現(xiàn)個(gè)性化健康指導(dǎo)。

AI擊敗人類專家

測(cè)試結(jié)果顯示，在睡眠醫(yī)學(xué)和健康體能考試，PH-LLM的答題正確率分別達(dá)到79%和88%（表1與圖1b）。

這一結(jié)果，顯著超過獲得睡眠醫(yī)學(xué)繼續(xù)教育學(xué)分（CME）要求的約70%及格線。

而且，與主流外部模型相比，PH-LLM表現(xiàn)頗具競(jìng)爭(zhēng)力：睡眠類題目稍遜但體能類題目表現(xiàn)相當(dāng)。

具體而言，在睡眠醫(yī)學(xué)考試中PH-LLM得分79%，Gemini Ultra 1.0為77%；在體能考試中兩者均獲88%得分。

受試者工作特征曲線（ROC）與精確率-召回率曲線，均證實(shí)模型在兩類考試中的優(yōu)異表現(xiàn)（附圖2）。

值得注意的是，盡管針對(duì)睡眠與健康任務(wù)進(jìn)行了微調(diào)，PH-LLM在PubMedQA29和MedQA30通用醫(yī)學(xué)基準(zhǔn)測(cè)試中，性能并未下降（附表1）。

值得一提的是，睡眠醫(yī)學(xué)題庫包含每道題目的人類考生答題分布等元數(shù)據(jù)，這允許團(tuán)隊(duì)基于題目難度進(jìn)行分層性能比較。

PH-LLM在所有難度層級(jí)均小幅領(lǐng)先Gemini Ultra 1.0，且在難題上的優(yōu)勢(shì)更為明顯。

這表明，睡眠案例研究的微調(diào)確實(shí)提升了相關(guān)題目的解答能力（表2）。

為量化PH-LLM的表現(xiàn)水平，團(tuán)隊(duì)還招募了5位平均從業(yè)25年的睡眠醫(yī)學(xué)專家（均持有高級(jí)學(xué)位）和5位平均從業(yè)13.8年的職業(yè)運(yùn)動(dòng)教練參加同規(guī)格考試。

專家組在睡眠醫(yī)學(xué)試題樣本（N=204）中的平均正確率為76%，體能考試為71%，PH-LLM在兩類題庫中均超越人類專家（表1）。

按人類考生答題難度分層分析顯示，PH-LLM的表現(xiàn)與人類考生及受邀專家群體相當(dāng)（表2）。

案例分析，接近專家水平

接下來，研究團(tuán)隊(duì)進(jìn)一步評(píng)估了，模型應(yīng)用專業(yè)知識(shí)與解讀傳感器數(shù)據(jù)的能力。

為此，他們創(chuàng)建了首個(gè)睡眠與健康領(lǐng)域的詳細(xì)個(gè)人健康案例數(shù)據(jù)集（857個(gè)案例，含3,271組問答對(duì)），由多位相關(guān)領(lǐng)域?qū)＜夜餐瑢彾ā?/p>

該數(shù)據(jù)集包含持續(xù)數(shù)周的個(gè)體可穿戴傳感器數(shù)據(jù)，以及對(duì)應(yīng)的深度分析與建議（圖2a,b）。

在健康管理案例分析中，PH-LLM模型在三個(gè)維度（運(yùn)動(dòng)處方制定、恢復(fù)方案建議、訓(xùn)練準(zhǔn)備度評(píng)估）上，表現(xiàn)出與人類專家及Gemini Ultra 1.0相當(dāng)?shù)乃剑▓D2d）。

傳感器數(shù)據(jù)，預(yù)測(cè)健康報(bào)告

此外，為了評(píng)估PH-LLM能否推斷用戶體驗(yàn)以優(yōu)化健康指導(dǎo)，團(tuán)隊(duì)測(cè)試了每日傳感器數(shù)值數(shù)據(jù)預(yù)測(cè)睡眠障礙和睡眠損傷PROs的能力。

首先通過計(jì)算問卷回答間的相關(guān)性分析PRO數(shù)據(jù)，發(fā)現(xiàn)16個(gè)問題測(cè)量了相關(guān)但獨(dú)立的睡眠維度（圖3a）。

隨后檢查傳感器特征是否存在混雜因素，發(fā)現(xiàn)不同設(shè)備和參與者依從性間的傳感器讀數(shù)分布相似。

結(jié)果顯示：沒有單一特征對(duì)所有PROs具有絕對(duì)預(yù)測(cè)優(yōu)勢(shì)，預(yù)測(cè)信號(hào)廣泛分布于多個(gè)傳感器（圖3b）。

為使PH-LLM能從傳感器特征預(yù)測(cè)PROs，研究人員又訓(xùn)練了一個(gè)多層感知機(jī)（MLP）適配器，將20項(xiàng)傳感器特征的統(tǒng)計(jì)量映射至PH-LLM的潛在標(biāo)記空間（方法部分）。

隨后將這些潛在標(biāo)記作為上下文輸入PH-LLM，要求其預(yù)測(cè)每個(gè)二分類結(jié)局。

在保留測(cè)試集中，團(tuán)隊(duì)比較了零樣本提示、少樣本提示與PH-LLM適配器方法，在受試者工作特征曲線下面積（AUROC）和精確召回曲線下面積（AUPRC）的表現(xiàn)（圖3c,d）。

值得注意的是，客觀睡眠測(cè)量數(shù)據(jù)對(duì)主觀睡眠質(zhì)量指標(biāo)的預(yù)測(cè)力通常有限，但配備適配器的PH-LLM在AUROC和AUPRC上均顯著優(yōu)于兩種提示方法。

正如Dominic Ng所言，谷歌研究意義并不止于一個(gè)「AI戰(zhàn)勝醫(yī)生」的故事。

這恰恰證明了，LLM可以將被動(dòng)的健康監(jiān)測(cè)，轉(zhuǎn)化為積極的健康管理。

它不僅了解你的身體，還能理解其原因，并給出及時(shí)應(yīng)對(duì)方法。

這就是預(yù)防醫(yī)學(xué)的未來。

參考資料：

https://www.nature.com/articles/s41591-025-03888-0?utm_source=chatgpt.com

https://x.com/GoogleForHealth/status/1956050991695933619