本サイトの記事や画像は、AIが公的資料や複数の報道を基に事実関係を整理・再構成し制作したものです。[続きを表示]特定の報道内容や表現を再利用・要約することを目的としたものではありません。ただし、誤りや不確定な情報が含まれる可能性がありますので、参考の一助としてご覧いただき、実際の判断は公的資料や各出典元の原文をご確認ください。[私たちの取り組み]
Googleの研究チームは、500万人の参加者から得た1兆分超の未ラベルのウェアラブルセンサー信号で事前学習した健康データ向け基盤モデル「SensorFM」を公表した。35種類の健康予測タスクで評価し、心血管や睡眠、メンタルヘルスなど幅広い領域での利用可能性を示した。自然言語での応答は、モデル単体ではなく、下流予測器をPersonal Health Agentに組み込む形で検証された。
1兆分超の信号から学ぶSensorFM
査読前論文サーバーarXivでは、論文「Towards a General Intelligence and Interface for Wearable Health Data」の初版が2026年5月21日に公開され、5月29日にv2へ更新された。同論文は、ウェアラブル端末から得られる大規模な時系列信号を、健康予測に使いやすい汎用表現へ変換する基盤モデルを提案した。個別の病気や用途ごとに一からモデルを作るのではなく、まず膨大なセンサー信号の変化から共通する特徴を学ばせる設計である。
評価対象は35タスクに及び、心血管、代謝、睡眠、メンタルヘルス、生活習慣、人口統計属性にまたがる。研究チームは、モデル容量と事前学習データ量を同時に拡大すると性能が系統的に向上したと報告した。500万人・1兆分超という規模は、従来のウェアラブル基盤モデル研究で扱われてきたデータ量を大きく上回る。
さらに、SensorFMの表現を使った下流予測器をPersonal Health Agentに統合し、臨床家コホートによる1,860件の評価で、応答の関連性、文脈性、安全性の改善を検証した。ここでのポイントは、センサー信号を読む基盤モデルと、利用者に自然言語で返すエージェントが役割分担している点だ。基盤モデルが直接、健康説明文を生成するというより、予測結果や文脈を対話システムに渡す構成である。
PH-LLMから健康エージェントへの接続
Googleの関連研究では、2024年にGeminiをベースに睡眠・フィットネス用途へ調整した「PH-LLM」も提示されている。PH-LLMは、ウェアラブル由来の個人健康データをテキストとして理解し、推論する自然言語インターフェースの研究と位置付けられる。
今回のSensorFMは、その前段にある「信号から汎用表現を作る」部分を大きく押し広げた研究だ。Google Researchはこれ以前にも、16万5,000人超、4,000万時間規模のウェアラブル信号を使った基盤モデル研究を公表しており、今回の論文はデータ規模と応用範囲をさらに拡大した形となる。
一方で、Googleは関連するPersonal Health Agentの発表で、同エージェントを研究目的の概念フレームワークと位置付け、特定の公開製品や提供中の機能ではないと説明している。今回のSensorFM統合も、現時点では研究上の検証として読むのが妥当だ。医療用途でどこまで責任を持てるのか、地域・デバイス構成の偏りが外部妥当性にどう影響するのかといった実運用上の論点は残る。未ラベル信号を使った大規模学習は予測の土台を強くする一方、医学的診断を代替するものではなく、臨床現場で使うには精度、説明責任、安全管理の検証が欠かせない。
