本文是專業(yè)學術論文解讀，不做醫(yī)療建議。

近日，美國斯坦福大學James Zou教授團隊和 Emmanuel Mignot 教授團隊所打造的 SleepFM AI 模型只需用戶一個晚上的睡眠監(jiān)測數(shù)據(jù)，就能預測多種疾病風險。

Emmanuel Mignot 教授是睡眠醫(yī)學領域的世界級專家，James Zou 在 AI 和生命科學領域深耕已久。

（來源：資料圖）

他們所打造的這款模型基于大約 6.5 萬人、58.5 萬小時的睡眠記錄訓練而來，可以評估全因死亡、癡呆、心梗以及包含部分癌癥在內的大約 130 種疾病，預測性能C 指數(shù)多數(shù)在 75% 以上，是睡眠醫(yī)學與 AI 結合的重要突破。（注：C 指數(shù)（C Index）是衡量模型能在多大程度上準確判斷誰比誰更早生病或死亡的指標。）

舉幾個數(shù)字：預測全新死亡率，準確率達到 84%；預測癡呆癥，準確率達到 85%；預測心肌梗死，準確率達到 81%。這些數(shù)字在醫(yī)學預測領域屬于相當高的水準。

如前所述，SleepFM 接受了超過 58.5 萬小時睡眠數(shù)據(jù)的訓練，涵蓋了 6.5 萬名不同年齡、不同健康狀況的參與者，等于它見過各種各樣的人的睡眠質量，也等于知道了這些人后來都生了什么病。

簡單的一個睡覺為何可以看出這么東西？睡眠不是簡單的休息，是一個極其復雜的生理過程。你的大腦、心臟、呼吸系統(tǒng)、肌肉，在睡眠中會展現(xiàn)出豐富的活動模式。這些模式就像指紋一樣，藏著大量關于健康狀況的信息。

（來源：https://www.nature.com/articles/s41591-025-04133-4）

SleepFM 同時分析了四個維度的信號：腦電波（EEG）、心電圖（ECG）、肌電圖（EMG）和呼吸信號。它不僅看某一個單一的指標，也把所有這些信號融合在一起，從整體上去理解一個人的睡眠狀態(tài)。

此前醫(yī)療機構已有不少睡眠監(jiān)測設備，但是有的通道多，有的通道少，有的測這個，有的不測那個。SleepFM 則采用了一種通道無關的設計，不管你有幾個信號通道、順序如何排列，它都能處理。

在具體任務上：

SleepFM 能夠把整晚睡眠分為清醒期、淺睡期、深睡期和快速眼動期，F(xiàn)1 得分在 70%到 78%之間，和當前最專業(yè)的睡眠分期模型 U Sleep 不相上下。（注：F1 得分是衡量模型分類準確性的綜合指標，兼顧了模型判斷得全不全和準不準。）

（來源：https://www.nature.com/articles/s41591-025-04133-4）

對于睡眠呼吸暫停的情況，SleepFM 在判斷有無中度到重度呼吸暫停的準確率上達到 87%。

這些能夠固然重要，但讓人眼前更加一亮的是疾病預測。研究人員把 SleepFM 的預測結果和兩種基線模型做了對比。

第一種基線只用了年齡、性別、體重指數(shù)和種族這些基本信息。第二種基線直接拿原始睡眠信號去訓練，完全沒有經(jīng)過預訓練。結果 SleepFM 在所有疾病類別上都勝出了，AUROC 平均高出 5% 到 17%。（注：AUROC 衡量的是模型區(qū)分正負樣本比如生病和不生病的能力，數(shù)值越高說明模型越能夠正確地將兩類人分開。）

在預測老年癡呆癥上，SleepFM 的 C Index 達到 99%，而只用人口學信息的模型只有 87%。預測帕金森病，SleepFM 是 93%，基線模型是 79%。預測糖尿病伴隨循環(huán)系統(tǒng)并發(fā)癥，SleepFM 是 89%，基線模型是 79%。

（來源：https://www.nature.com/articles/s41591-025-04133-4）

即使不看年齡和性別，只憑 SleepFM 從睡眠信號里學到的特征，它的預測效果依然優(yōu)于只靠人口學信息的模型，這說明睡眠信號本身蘊含的信息量遠超人類的想象。

SleepFM 還有一個很實用的特點，那就是遷移學習能力強。研究人員在一個名為 SHHS 的獨立數(shù)據(jù)集上對其進行測試。這個數(shù)據(jù)集完全沒有參與過預訓練，這意味著 SleepFM 需要適應新的醫(yī)院、新的設備和新的患者群體。

結果 SleepFM 依然表現(xiàn)穩(wěn)健，預測中風的 C Index 達到 81%，預測充血性心衰達到 85%，預測心血管疾病死亡達到 86%。換句話說，SleepFM 不僅能在自己的舒適區(qū)里工作，換到一個新地方它也能夠很快上手。

另外，以往類似的睡眠研究，樣本量大多在幾千到一萬多之間。SleepFM 的預訓練數(shù)據(jù)量是前者的 5 到 25 倍。規(guī)模大了，模型能夠學習到的東西就更全面，泛化能力也更強。

（來源：https://www.nature.com/articles/s41591-025-04133-4）

當然，這項研究也有局限性。比如，數(shù)據(jù)主要來自“因懷疑自己有睡眠問題而去醫(yī)院做檢查”的人群，并不是來自完全健康的普通人。SleepFM 在時間跨度上的預測準確性也會有所下降，因為醫(yī)療實踐和患者特征也在不斷變化。不過，這些都不影響本次研究的核心結論，那就是睡眠真的是一個被嚴重低估的健康信息寶庫。

未來，這項技術還有可能走進尋常百姓家。事實上，很多智能手表和智能手環(huán)已經(jīng)能夠檢測心率、呼吸和睡眠分歧。如果能夠將 SleepFM 這樣的模型壓縮到可穿戴設備上，我們每天醒來就能看到自己的健康風險評估，也能尋求醫(yī)生幫助來提前介入，更好地防患于未然。

參考資料：

相關論文 https://www.nature.com/articles/s41591-025-04133-4

代碼：https://github.com/zou-group/sleepfm-clinical

https://med.stanford.edu/news/all-news/2026/01/ai-sleep-disease.html

運營/排版：何晨龍

本文是專業(yè)學術論文解讀，不做醫(yī)療建議。