Apple Watch помогли MIT обучить ИИ JETS по архитектуре JEPA: AUROC до 86,8% для гипертонии

На базе трёх миллионов дней записей Apple Watch исследователи из MIT и Empirical Health обучили новую ИИ‑модель для выявления заболеваний с высокой точностью. В основе — архитектура JEPA, предложенная Яном Лекуном: она учит сеть понимать смысл недостающих фрагментов, а не восстанавливать их дословно, что особенно уместно для разрозненных данных носимых гаджетов; об этом сообщает издание pepelac.news.

В исследование вошли 16 522 участника, собранные за несколько лет наблюдений; учитывалось 63 типа метрик, связанных с сердцем, дыханием, сном, активностью и общими показателями. Медицинские диагнозы имелись лишь у 15%, однако JETS сначала обучали на всём массиве, а затем донастраивали на размеченной части. Такой сценарий самообучения на практике раскрывает ценность тех данных, что раньше нередко оставались невостребованными.

Адаптируя JEPA к временным рядам, каждое наблюдение превращали в токен, маскировали и обучали модель предсказывать скрытые представления. После обучения JETS сравнили с сильными базовыми архитектурами — и показатели впечатляют: AUROC 86,8% при определении гипертонии, 81% при выявлении синдрома хронической усталости и 86,8% при диагностике дисфункции синусового узла. Поскольку AUROC оценивает способность различать вероятные случаи, преимущество JETS над классическими алгоритмами читается однозначно.

Работа убеждает: повседневные гаджеты вроде Apple Watch могут стать мощным инструментом раннего выявления болезней, если модели обучать правильно — не требовать идеальных рядов, а учиться понимать их неполноту. Здесь именно архитектура, а не объём анкет, делает разницу: подход, ориентированный на смысл пропусков, снимает главный барьер носимой медицины — неровность и пробелы в данных.