概要
Google Researchと関連チームは、スマートウォッチ等のウェアラブル端末から得られた大規模時系列データを基にした健康予測の基盤モデル「SensorFM」を発表した。事前学習に用いたデータは合計で20億時間（1兆分）以上に上り、心血管のリスクや代謝、睡眠、メンタルヘルスを含む35の健康関連タスクで高い予測性能を示したと報告されている。
何が新しいのか
従来、ウェアラブルを用いた健康AIは個別の疾患や目的ごとに専用モデルを構築することが多かった。これに対しSensorFMは、自然言語処理や画像処理で用いられる「基盤モデル（foundation model）」の考え方をウェアラブルデータに持ち込み、大量のラベルなしデータで汎用的な表現を学習した上で、少量のラベル付きデータで特定タスクに適応させるという手法を採る点が特徴だ。
技術概要と工夫
モデルの入力は生の波形ではなく、1分ごとに集計した34の特徴量で、心拍や心拍変動（PPG）、加速度計、皮膚導電（EDA）、皮膚温度、高度計など複数のセンサー情報が含まれる。エンコーダーには、時系列に適用したトランスフォーマー系の構造を用いている。
現実のウェアラブルデータは充電や着脱による欠損が避けられないが、SensorFMはこの欠損そのものを情報として扱う新たな手法（AIM）を継承・発展させ、欠損が生じるパターンを学習することで欠損補完性能を高めた点を強調している。報告では補完精度や欠損耐性において既存手法より改善が示されている。
実証結果と意義
SensorFMは、独立した前向き研究3件（計13,985人）から得られたデータで評価され、35のタスクのうち34タスクで従来の手法を上回る性能を示した。とくにメンタルヘルス領域（うつ病や不安障害）での改善が顕著だったと伝えられている。 また、事前学習データ量とモデル容量を同時に増やすスケール効果が見られ、性能が飽和していない点も指摘されている。
| 項目 | 値 |
|---|---|
| 事前学習データ量 | 20億時間（1兆分）超 |
| 評価参加者数 | 13,985人（3研究） |
| 評価タスク数 | 35 |
実用化に向けた課題
SensorFMのような基盤モデルは理論上、少ないラベルで幅広いタスクに適応できる利点がある。しかし実務に移す際には幾つかの重要課題が残る。
- データの同意とプライバシー管理：大規模な個人データをどのように取得・管理するか。
- バイアスと公平性：収集母集団の偏りが予測精度や適用性に影響する可能性。
- 臨床上の解釈性：個々の予測が臨床上どのように使えるか、医療的な裏付けと運用ルールの整備。
保健・医療現場への影響
ウェアラブル由来データで一定の健康指標を高精度に推定できれば、予防医療や健康管理の効率化につながる。例えば、医療機関でのスクリーニングの前段階として活用すれば、受診を要する人の選別が迅速になり、負担低減や早期介入の促進が期待される。一方で、保険や労務管理、健康情報の第三者利用といった倫理・制度面の検討も不可欠だ。
今後の展望
報告では、より高度な予測を可能にするために予測ヘッド（タスク特化の部分）を自動設計する取り組みも進められている。これは外部の大規模言語モデル群を用いた自動探索の手法を指す。こうした仕組みと大規模基盤の組み合わせは、将来的にウェアラブルを起点とする健康エコシステムの構築を加速する可能性がある。
ただし、データ規模と技術力を持つ一部組織が優位に立ちやすい点は報告でも指摘されており、公共性や競争の公正性を維持するための制度設計も課題として残る。国内においても、個人データの利活用に関する法令やガイドライン、保健医療関係者の評価手法の整備が求められるだろう。
今後、SensorFMのような基盤モデルが実際の臨床や健康サービスに組み込まれていく過程で、精度向上の恩恵と同時に、倫理・個人情報保護・医療現場での運用ルール整備が重要な議題として浮かび上がることは間違いない。
