本文是專業學術論文解讀，不做醫療建議。
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測數據，就能預測多種疾病風險。
Emmanuel Mignot 教授是睡眠醫學領域的世界級專家，James Zou 在 AI 和生命科學領域深耕已久。
圖 | 從左到右：Emmanuel Mignot 和 James Zou（來源：資料圖）
他們所打造的這款模型基於大約 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症在內的大約 130 種疾病，預測性能 C 指數多數在 75% 以上，是睡眠醫學與 AI 結合的重要突破。（注：C 指數（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。）
舉幾個數字：預測全新死亡率，準確率達到 84%；預測癡呆症，準確率達到 85%；預測心肌梗死，準確率達到 81%。這些數字在醫學預測領域屬於相當高的水準。
如前所述，SleepFM 接受了超過 58.5 萬小時睡眠數據的訓練，涵蓋了 6.5 萬名不同年齡、不同健康狀況的參與者，等於它見過各種各樣的人的睡眠質量，也等於知道了這些人後來都生了什麼病。
簡單的一個睡覺爲何可以看出這麼東西？睡眠不是簡單的休息，是一個極其複雜的生理過程。你的大腦、心臟、呼吸系統、肌肉，在睡眠中會展現出豐富的活動模式。這些模式就像指紋一樣，藏着大量關於健康狀況的信息。
（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。
此前醫療機構已有不少睡眠監測設備，但是有的通道多，有的通道少，有的測這個，有的不測那個。SleepFM 則採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 能夠把整晚睡眠分爲清醒期、淺睡期、深睡期和快速眼動期，F1 得分在 70% 到 78% 之間，和當前最專業的睡眠分期模型 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）
對於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 衡量的是模型區分正負樣本比如生病和不生病的能力，數值越高說明模型越能夠正確地將兩類人分開。）
在預測老年癡呆症上，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系統併發症，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 從睡眠信號裏學到的特徵，它的預測效果依然優於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。研究人員在一個名爲 SHHS 的獨立數據集上對其進行測試。這個數據集完全沒有參與過預訓練，這意味着 SleepFM 需要適應新的醫院、新的設備和新的患者羣體。
結果 SleepFM 依然表現穩健，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裏工作，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 的預訓練數據量是前者的 5 到 25 倍。規模大了，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，這項研究也有侷限性。比如，數據主要來自“因懷疑自己有睡眠問題而去醫院做檢查”的人羣，並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，因爲醫療實踐和患者特徵也在不斷變化。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，很多智能手錶和智能手環已經能夠檢測心率、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，也能尋求醫生幫助來提前介入，更好地防患於未然。
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
本文是專業學術論文解讀，不做醫療建議。
