Проблема фрагментарности данных
Носимые устройства и смартфоны собирают огромный объем данных: вариабельность сердечного ритма (HRV), ЭЭГ, актиграфию и речевые паттерны. Однако каждый из этих сигналов дает лишь частичное и зашумленное представление о физиологическом состоянии. BioSync решает эту проблему, объединяя модальности в единый непрерывный индекс — BioSync Index (BSI), определенный в рамках фреймворка BEST.
Архитектура: Wide-and-Deep с кросс-модальным вниманием
В отличие от простого склейки признаков (feature concatenation), BioSync использует механизм multi-head self-attention для обработки токенов модальностей. Архитектура включает линейную ветвь, что позволяет модели изучать как сложные нелинейные взаимодействия, так и стандартные линейные корреляции. Такой подход «wide-and-deep» мотивирован теорией латентных переменных: совместные наблюдения содержат информацию, недоступную при анализе отдельных модальностей.
Результаты на синтетических когортах
Модель протестирована на двух когортах, смоделированных на основе литературных данных. В когорте когнитивного спада (HRV, ЭЭГ, актиграфия, речь) BioSync показал превосходство над базовым методом склейки. В метаболической когорте (на базе схемы AI-READI) также зафиксирован рост метрик.
| Метрика | Когорта когнитивного спада | Метаболическая когорта |
|---|---|---|
| Метод | BSI (BioSync) / Concatenation | BSI (BioSync) / Concatenation |
| AUC | 0.928 / 0.926 | — |
| Accuracy | — | 0.764 / 0.756 |
| F1 Score | — | 0.766 / 0.758 |
| Корреляция с латентной тяжестью (r) | 0.91 | 0.68 |
Устойчивость к шуму и аblation studies
Ключевое преимущество BioSync — робастность. При обучении с искусственным отключением модальностей (modality-dropout), модель превзошла метод склейки в 5 из 6 сценариев искажения данных в когорте когнитивного спада и при максимальном уровне шума в метаболической когорте. Ablation study показала, что чистая архитектура внимания (pure-attention) дает AUC 0.911, тогда как добавление линейной ветви поднимает показатель до 0.928, подтверждая важность гибридного подхода.
Значение для индустрии
Хотя сравнение с пятью опубликованными эталонными значениями цифровых биомаркеров показало преимущество BioSync, авторы предупреждают, что из-за различий в датасетах это не является строгим бенчмарком. Тем не менее, работа демонстрирует потенциал трансформеров для создания надежных мульти-модальных биомаркеров, что критически важно для телемедицины и ранней диагностики нейродегенеративных и метаболических заболеваний. Валидация на реальных клинических когортах остается следующим шагом.
Источник: arXiv cs.AI ↗