Od biosignala do uvida u zdravlje: rad Samsung Research tima na osnovnim modelima za zdravlje

Vještačka inteligencija danas se široko koristi za analizu biosignala koje mjere nosivi uređaji, poput pametnih satova. Prepoznavanjem značajnih obrazaca u zdravstvenim podacima, uključujući san, srčani ritam i fizičku aktivnost, vještačka inteligencija pomaže korisnicima da bolje razumiju svoje zdravlje i njime upravljaju.

Na zdravstvenom forumu, održanom u okviru događaja Galaxy Unpacked u julu 2026. godine, predstavljena je i Samsung vizija Connected Care pristupa za novo poglavlje digitalnog zdravlja, budućnost u kojoj se briga o zdravlju pomjera od reaktivnog liječenja prema preventivnim, personalizovanim i povezanim iskustvima, zasnovanim na pouzdanim zdravstvenim inovacijama i partnerstvima širom zdravstvenog ekosistema. Jedna od tehnologija koja može da podrži ovakva nova korisnička iskustva jeste osnovni model za zdravlje.

Istraživači iz tima za digitalno zdravlje kompanije Samsung Research America (SRA) razvijaju nove tehnologije zasnovane na vještačkoj inteligenciji koje omogućavaju kontinuirano razumijevanje zdravstvenog stanja osobe na osnovu biosignala, generisanje zdravstvenih uvida i pružanje odgovarajućih smjernica u vezi sa zdravljem.

Samsung istraživači nedavno su predstavili dva osnovna modela zasnovana na podacima sa nosivih uređaja: xMAE (fiziološki informisana maskirana međumodalna rekonstrukcija za učenje reprezentacija biosignala), koji uči vremenski odnos između različitih biosignala, i HiMAE (hijerarhijski maskirani autoenkoder), koji prepoznaje zdravstvene obrasce na različitim vremenskim skalama u vremenskim serijama podataka sa nosivih uređaja. Obe studije predstavljaju napredak u razvoju AI modela za zdravlje koji mogu bolje da razumiju fiziološke odnose i vremensku strukturu biosignala.

Istraživanja kompanije Samsung na modelima xMAE i HiMAE prihvaćena su za predstavljanje na Međunarodnoj konferenciji o mašinskom učenju (ICML) i Međunarodnoj konferenciji o učenju reprezentacija (ICLR), što dodatno potvrđuje njihov značaj.

Osnovni modeli za zdravlje koji čitaju signale tijela: zašto su važni

Osnovni model za zdravlje je AI model koji koristi samonadgledano učenje kako bi iz neoznačenih podataka biosignala naučio da prepoznaje značajne karakteristike. Nakon prethodnog treniranja na velikim količinama zdravstvenih podataka, modeli mogu da se koriste za širok spektar daljih zadataka u oblasti zdravlja, uključujući analizu biosignala, razvoj novih ili unaprijeđenih biomarkera i predviđanje zdravstvenih problema.

Model vještačke inteligencije xMAE: kontinuirano praćenje rada srca pomoću nosivih uređaja

Elektrokardiogram (EKG) na nosivim uređajima direktno mjeri električnu aktivnost srca i koristan je za praćenje srčanog ritma i varijabilnosti srčanog ritma, prepoznavanje nepravilnih srčanih ritmova i procjenu rizika od stanja poput atrijalne fibrilacije. EKG pruža veoma precizna mjerenja, ali obično zahtijeva da korisnik zastane i aktivno pokrene mjerenje.

Sa druge strane, fotopletizmografija (PPG) može indirektno da mjeri funkciju srca tako što registruje promjene u protoku krvi, a može se pasivno i kontinuirano mjeriti putem senzora u nosivim uređajima, poput pametnih satova.

Oba signala potiču od iste aktivnosti srca, ali se pojavljuju uz određeni vremenski razmak, slično kao kada se grmljavina čuje nakon što ugledamo munju. xMAE je okvir za prethodno treniranje na biosignalima, osmišljen da nauči vremenski odnos između ova dva signala tako što rekonstruiše maskirane dijelove EKG signala koristeći PPG signal, koji je lakše i kontinuirano mjeriti. Zahvaljujući tome, karakteristike povezane sa kardiovaskularnim zdravljem mogu preciznije da se analiziraju pomoću PPG-a, bez potrebe za posebnim ručnim EKG mjerenjima.

Istraživači su prethodno trenirali xMAE koristeći približno 9.400 sati EKG i PPG podataka. Model je nadmašio unimodalne modele biosignala i postojeće metode multimodalnog učenja u 15 od 19 evaluacionih zadataka, uključujući predviđanje kardiovaskularnih bolesti, otkrivanje abnormalnih rezultata testiranja i klasifikaciju faza sna. Studija je takođe potvrdila potencijal primjene naučenih karakteristika na različite senzorske uređaje, različite dijelove tijela i različita okruženja u kojima se podaci prikupljaju.

Model vještačke inteligencije HiMAE: razumijevanje signala tijela na različitim vremenskim skalama, direktno na uređaju

Zdravstveni podaci koje mjere nosivi uređaji mogu da pruže različite informacije u zavisnosti od vremenske skale na kojoj se analiziraju. Na primjer, kratki vremenski intervali mogu da otkriju signale koji se brzo mijenjaju, poput otkucaja srca, dok duži intervali mogu da pokažu obrasce koji se formiraju tokom vremena, kao što su san ili fizička aktivnost. To se može uporediti sa posmatranjem različitih detalja slike kada je uvećavamo ili udaljavamo.

HiMAE je model samonadgledanog učenja koji iz podataka sa nosivih uređaja uči reprezentacije na više vremenskih skala. Koristi više enkodera za odvojenu analizu kratkih i dugih segmenata, što mu omogućava da za svaki zdravstveni zadatak, poput analize srčanog ritma ili predviđanja sna, prepozna relevantne informacije na odgovarajućoj vremenskoj skali. Tokom treniranja model rekonstruiše maskirane dijelove podataka, što mu omogućava da nauči ključne obrasce u biosignalima čak i kada je količina označenih podataka ograničena.

Jedan prethodno treniran HiMAE model može da obavlja klasifikaciju, numeričko predviđanje i generisanje podataka. Model je ostvario visok nivo performansi, iako je manji od postojećih modela. Takođe je unaprijedio računarsku efikasnost do nivoa na kojem može da generiše rezultate za manje od jedne milisekunde na centralnoj procesorskoj jedinici (CPU) klase pametnog sata.

Najvažnije je to što HiMAE po prvi put pokazuje potencijal osnovnih modela za zdravlje koji rade direktno na uređaju, analizirajući sirove zdravstvene signale u realnom vremenu, bez oslanjanja na cloud servere.

Sljedeći korak ka povezanoj brizi o zdravlju

Zajedno, xMAE i HiMAE predstavljaju napredak u razvoju AI modela koji precizno razumiju fiziološke odnose i vremenske strukture karakteristične za biosignale. Cilj oba modela je da omoguće precizne, kontinuirane i personalizovane zdravstvene uvide, kao i primjenu jednog prethodno treniranog modela na veliki broj različitih zadataka u oblasti zdravlja.

U nastavku prenosimo izjave istraživača koji stoje iza ovog rada:

Sharanya Desai, Tim za digitalno zdravlje, Samsung Research America

„Ovo istraživanje je važno jer postavlja tehničke temelje za pružanje zdravstvenih uvida koji su efikasni, precizni i kontinuirani, uz pomoć osnovnog modela za zdravlje. Nastavićemo da razvijamo i unapređujemo osnovne modele za zdravlje koji se mogu primijeniti na različite biosignale i zdravstvene karakteristike, a koji istovremeno mogu da rade direktno na uređaju sa ograničenim senzorskim i računarskim resursima.“

Subbu Venkatraman, Tim za digitalno zdravlje, Samsung Research America

„Biosignali su po svojoj prirodi dinamični i imaju jedinstvene fiziološke karakteristike koje se mijenjaju tokom vremena. Ključni doprinos ovog istraživanja jeste u tome što pokazuje izvodljivost osnovnih modela za zdravlje sposobnih da istovremeno obuhvate odnose između različitih signala i njihove osnovne vremenske strukture. Ostajemo posvećeni unapređenju temeljnih istraživanja vještačke inteligencije u oblasti zdravlja i njihovom prenošenju u zdravstvena rješenja koja na značajan način mogu da doprinesu zdravlju i dobrobiti ljudi.“