2026年7月9日、Google Researchはウェアラブルヘルスの基礎モデルSensorFMを発表しました。 この研究は、100か国以上、20台以上のFitbitおよびPixel Watchデバイスをカバーする500万人のユーザーのデータをもとに事前学習され、総データ量は1兆分を超えました。 Googleの目標は、個々の指標のみを予測する別のモデルを作ることではなく、心血管、代謝、睡眠、メンタルヘルス、ライフスタイルの課題に共通の基盤を提供する、移行可能な人間の生理的表象セットを学習することです。
この研究が注目に値するのは、ウェアラブルで最もよくある問題が「データなし」ではなく、断片化されたデータ、著しい個人差、そして完成が難しい高額な医療ラベルだからです。 過去には、多くのモデルは明確なエンドポイントを中心に独立して訓練でき、機器や対象者、タスクを切り替えた後はしばしば再構築が必要でした。
SensorFMは現実の失われたデータをどのように扱うのでしょうか?
SensorFMは、光充能センサー、加速度センサー、電気活動、皮膚温度、高さの5種類のセンサーから34分の集約データを受信します。 心拍数とその変動、血中酸素、睡眠段階、運動、歩数、皮膚の電気、体温などの連続信号を検出できます。
このモデルは自己監督再構築を採用し、欠損症例に対してAIMに適したメカニズムを導入しています。 デバイスの取り外し、省電力、再起動、または断続的なセンサー動作は、実際の隙間を残します。 従来の手法では、隙間を埋めたり不完全な断片を破棄したりすることが一般的です。前者はバイアスを生じさせる可能性があり、後者はサンプル損失を引き起こすことがあります。 SensorFMは、訓練中に信号をアクティブにマスクした状態で実際の欠損信号を処理し、不完全な記録から直接学習できるようにします。
スケールアップ後は、事前トレーニングの指標に限られません
Googleはデータ量とモデルスケールの4桁にわたる実験を行いました。 最大のSensorFM-Bは最小バージョンと比べて再構築損失を31%削減し、35の下流タスク中33で最良の成果を達成しました。 エンコーダーを凍結した後、軽量予測ヘッドのみが訓練され、34のタスクで人工的特徴に基づく監督ベースラインを超えたことを示し、単一の疾患ラベルを学習していないことが示されました。
研究チームはまた、複数の大規模言語モデルエージェントが競い合い、予測ヘッドコードを書き上げ、3万以上のソリューションを探求しました。 20の分類タスクのうち16件は単純な線形プローブを上回り、15件中12件は改善を達成しました。 つまり、基本的な表現の後、タスク適応は手動調整から自動検索へと移行することがあります。
本当のパーソナルヘルスアシスタントになるまではどれくらいの距離があるのでしょうか?
GoogleはSensorFMをパーソナルヘルスエージェントに統合し、31件の実際の参加者プロフィールから健康要約を生成しました。 臨床医はブラインドレビューで1,860点のスコアを完成させ、SensorFM予測を加えた後、要旨はモデル予測なしの基準ラインを文脈、関連性、解釈可能性、パーソナライズ、潜在的な害の面で上回りました。
しかし、これらはあくまで研究成果であり、FitbitやPixel Watchが新たな医療診断能力を獲得したという意味でもありませんし、モデルの予測を実験室の検査や医師の結論として受け取るべきでもありません。 消費者製品に真に参入するには、臨床検証、地域規制、プライバシー承認、継続的なエラーモニタリングが必要です。 SensorFMの実用的な意義は、長期的で断片化されたウェアラブルデータを一般的な健康表現に訓練できることを証明することです。 これにより、ヘルスインテリジェンスのよりパーソナライズされた道が開かれ、データガバナンスと医療責任をより重要な位置に押し上げます。
