斯坦福大学—SleepFM 寿命预测模型：一晚睡眠，预判 130 种疾病风险?

　　斯坦福大学 —SleepFM 寿命预测模型的训练基础堪称 “海量级”。团队整合四大核心队列数据，涵盖 6.5 万名参与者、超 58.5 万小时多导睡眠图(PSG)，数据规模是过往同类模型的 5-25 倍。

　　从预测能力看，模型表现远超随机基准线。全因死亡率 C-index 达 0.84，痴呆、帕金森病分别以 0.85、0.89 的高准确率领跑，心肌梗死、心衰、中风等循环系统疾病预测精度均超 0.78。在癌症、妊娠并发症、精神疾病等领域，C-index 也普遍高于 0.8，临床参考价值显著。

　　这些数据均来自斯坦福睡眠诊所(1999-2024)、BioSerenity、MESA、MrOS 等权威队列，覆盖 1-100 岁全年龄段，确保了模型的普适性与可靠性。

　　技术核心：多模态自监督，突破临床数据壁垒

　　斯坦福大学 —SleepFM 寿命预测模型的核心创新，在于解决了睡眠医学长期面临的 “数据异构” 与 “模态缺失” 难题。

　　模型采用 “1D CNN+Transformer” 双编码器架构：先通过 1D CNN 提取脑电、心电、肌电、呼吸等多模态信号的局部特征，再经通道无关注意力池化层统一处理不同设备、不同通道数的 PSG 数据，即便部分信号缺失也能稳定运行。

　　训练阶段采用首创的 LOO-CL(留一法对比学习)自监督策略：每次遮蔽一种模态，用其余模态预测并对齐被遮蔽嵌入，让模型自主学习 “睡眠语言”，无需大量人工标注即可掌握睡眠生理规律。这种设计使模型能适配全球不同临床场景，为临床推广奠定基础。

　　应用前景：从临床筛查到健康管理新范式

　　斯坦福大学 —SleepFM 寿命预测模型的落地场景极具想象空间。在临床端，它可与现有 PSG 检查结合，在诊断睡眠呼吸暂停等疾病时，同步输出 130 余种疾病的 6 年风险评估，实现 “一次检查、双重获益”，高效利用医疗资源。

　　在健康管理端，模型为可穿戴设备提供了算法支撑。尽管当前依赖专业医疗设备，但团队已开源模型，未来可迁移至智能手表、睡眠监测仪等消费级设备，实现居家无创、实时的长期健康监测，让 “睡一觉知健康” 成为现实。

　　对个人而言，模型提示睡眠是疾病的 “早期预告信”。规律睡眠、改善睡眠质量，不仅关乎精力，更是对健康人生的长期投资。

　　总结与建议

　　斯坦福大学 —SleepFM 寿命预测模型以大规模数据、创新技术与高精准度，实现了睡眠数据向健康风险预测的转化，是睡眠医学与 AI 结合的里程碑式突破。