一、定義與系統邊界
睡眠專用基礎模型是從較大規模睡眠相關資料中進行預訓練、學習可遷移表徵,並能透過微調、任務頭、輕量適配或受控介面服務多個下游任務的人工智慧模型。其輸入可包括多導睡眠監測中的腦電、眼電、肌電、心電、呼吸、血氧和體動時序,也可包括穿戴式裝置資料、睡眠日記、檢查報告、醫學文本或這些資料的組合。基礎模型的核心不是參數數量或名稱,而是同一預訓練表徵能否在邊界明確的多種任務、機構或裝置上被可靠重用。
睡眠專用基礎模型不必是大型語言模型,也不必生成內容。生理訊號編碼器可輸出向量表徵,供睡眠分期、呼吸事件偵測、訊號品質判斷或研究風險分層使用;文本或多模態模型則可能支援資訊擷取、報告草擬和問答。只在通用模型上增加睡眠提示詞、角色設定或知識庫檢索,通常屬於提示工程、檢索增強生成或應用層適配,不能僅憑介面表現認定為重新訓練的睡眠基礎模型。智慧代理、RAG 系統、報告生成器和具體分類器是可連接的下游組件,仍需逐項驗證。
「專用」不自動代表準確、安全或臨床可用。研究模型、消費級睡眠洞察、實驗室工作流程輔助和用於疾病篩檢、診斷、預後或治療決策的軟體具有不同預期用途、證據要求和監管身分。模型輸出是機率、表徵或生成內容,不是天然的醫學結論;WSIC 4.4.2 用於產業分類,不構成醫療器材批准、演算法認證或臨床背書。
二、資料、預訓練與可追溯性
開發從資料清單和用途定義開始。團隊應記錄資料來源、收集年代、機構和地區、參與者特徵、裝置與導聯、取樣率、濾波和重取樣、註釋規則、睡眠評分標準版本、缺失情況、品質排除條件以及同意或其他合法處理依據。電子病歷、診斷編碼和長期結局若與夜間訊號關聯,還需說明時間視窗、標籤形成過程、追蹤完整性和可能的醫療行為偏差。公開資料不等於可以忽略原授權、倫理審查、使用限制或群體權益。
常見預訓練方式包括遮罩重建、對比學習、下一片段預測和跨模態對齊,目標是利用大量未標註時序學習通用結構。預處理管線是模型的一部分:導聯映射、單位、極性、取樣率、偽跡處理、分段長度和正規化任何一項改變,都可能造成領域偏移。應凍結並版本化原始資料清單、去重規則、程式碼、特徵處理、權重、隨機種子和訓練環境,使後續結果能夠追溯,而不是只保存最終權重檔案。
資料劃分必須以受試者為基本隔離單位,必要時還應按家庭、機構、裝置和時間隔離,防止同一人的多個夜晚或衍生記錄跨訓練與測試集洩漏。用於選擇模型和閾值的資料不能同時充當最終獨立測試集。資料規模也不能掩蓋代表性不足:睡眠實驗室轉介人群、高齡隊列、特定國家裝置或高品質整夜 PSG 所學到的模式,未必適用於兒童、孕產婦、家庭環境、少數族群、罕見病患者或消費級手環。
三、任務適配、驗證與證據表達
每個下游任務都應單獨寫明預期使用者、輸入條件、輸出、參照標準、決策位置和錯誤後果。睡眠分期可關注分期一致性和類別不平衡;呼吸事件或障礙篩檢需要靈敏度、特異度、閾值和漏診後果;未來疾病風險預測需要校準、時間範圍、設限處理和與現有基線模型的增量價值;報告生成還要檢查事實支持、遺漏、矛盾和危險建議。一個任務的 AUROC、F1 或平均準確率不能代表整個平台,也不能直接遷移為另一個任務的臨床性能。
內部隨機劃分只能回答有限問題。更有價值的驗證包括未參與訓練的機構和裝置、較晚時間段、不同資料品質、缺失導聯和真實工作流程;性能應按年齡、性別、種族或族裔、疾病嚴重度、裝置、場所及其他相關群體分層,並報告信賴區間、校準和失敗樣本。外部驗證仍不等於臨床效用,進入實際決策前還可能需要前瞻性、影響研究或對照試驗,確認人機團隊是否改善有意義的患者或流程結局,而不是只縮短演算法運行時間。
截至目前,同行評議研究已在數萬名參與者和數十萬小時多導睡眠資料上展示多模態預訓練可遷移到睡眠分期、呼吸相關分類和疾病風險預測;另有研究在獨立隊列測試風險分層。但這些結果主要證明技術和研究潛力。風險相關性不是因果解釋,群體 C-index 不是個人確定性,預測未來疾病也不等於已診斷疾病。論文發表、程式碼開源或預印本規模都不能取代對實際上市版本和預期用途的審查。
四、部署場景與人機協作
部署前應把基礎模型、任務頭、閾值、使用者介面和人工覆核組成一個完整系統進行驗證。研究環境可用於特徵探索和隊列分析;睡眠實驗室輔助工具可優先標記疑似事件或草擬結果,但最終解釋責任仍由有資格人員按工作流程承擔;消費級產品可以提供一般性趨勢或教育資訊,卻不應將未經驗證的風險分數包裝成診斷。面向患者或公眾的生成式介面需明確模型身分、用途、限制、資料時效和何時轉交專業人員。
良好的人機設計不能只加一句「僅供參考」。介面應在作出決定的時點呈現輸入品質、適用範圍、不確定性、重要限制和可執行的下一步,並避免用顏色、排名或精確小數製造虛假確定性。自動化偏差會使使用者忽略明顯錯誤,警報疲勞又可能讓真正高風險結果被跳過,因此應測試覆蓋、駁回、申訴和升級路徑,觀察不同經驗層級使用者與模型共同工作的表現。
運行架構可採用本地、私有雲、公有雲或端側推理,各自影響延遲、成本、私隱、可用性和更新方式。系統應定義最低輸入品質、支援的導聯與裝置、缺失模態行為、超出分布偵測、服務中斷和人工降級方案。基礎模型若被多個產品共用,每個產品仍應擁有獨立的風險評估、閾值、驗證和變更記錄;上游權重更新不能無驗證地自動傳播到所有臨床或消費場景。
五、私隱、安全與資料治理
睡眠資料具有高度敏感性。整夜生理波形、精確時間、聲音、位置、裝置識別碼、罕見疾病組合和電子病歷連接鍵即使刪除姓名,也可能支援重新識別。去識別化能降低風險但不是零風險保證;組織應依據適用法律確定控制者、處理者和研究者責任,限定目的和最少必要資料,管理同意或其他合法依據、保留期、跨境傳輸、二次訓練、存取、撤回和刪除請求。把使用者資料用於改進模型必須清楚告知,不能藏在與核心服務無關的寬泛條款中。
技術控制可包括分區儲存、傳輸與靜態加密、細粒度權限、多因素驗證、金鑰管理、稽核日誌、安全開發、依賴與供應鏈檢查以及事件回應。模型層風險還包括成員推斷、模型反演、訓練資料記憶、提示注入、惡意檔案、權重竊取和對抗輸入。文本去識別工具可能漏掉身分線索,波形和模型嵌入也不能預設匿名;合成資料、聯邦學習或差分私隱各有可用性和剩餘風險,不能作為免責標籤。
資料治理委員會應有睡眠醫學、工程、統計、私隱、安全、倫理、法律、患者或公眾代表參與,並記錄資料集准入、排除、糾錯和退出機制。供應商若提供第三方基礎模型、標註、雲端服務或外部任務頭,合約需明確資料使用、權重歸屬、分包商、漏洞通知、模型終止、資料返還或銷毀和稽核權。公開模型卡和資料說明有助透明,但不能取代受控技術文件和法律責任。
六、運行監測、更新與採購驗收
上線監測應區分資料漂移、標籤漂移、裝置變化、使用方式變化和真實性能下降。監測指標可涵蓋輸入品質、缺失導聯、拒絕率、亞組性能、校準、錯誤類型、人工覆蓋、周轉時間、安全事件和使用者投訴。沒有及時真實標籤時,應預先設計抽樣覆核和代理指標,不能因儀表板沒有警報就認定模型穩定。感測器韌體、評分規則、臨床編碼、預處理函式庫或上游模型任何改變都可能觸發再驗證。
版本管理應把基礎權重、任務頭、提示、檢索庫、閾值和介面作為可追溯設定。每次變更需說明原因、預期影響、驗證資料、接受標準、回滾條件和使用者通知;持續學習不應意味著在生產資料上無邊界自我更新。若變更可能改變醫療用途、目標人群或風險,應按當地要求評估是否需要新的合規行動。舊版本應有支援和退役計畫,並保留足夠日誌用於調查,但日誌本身也要遵守私隱和保留限制。
採購驗收不應只比較參數量、排行榜或示範。採購方需取得預期用途、模型與資料卡、支援裝置、獨立驗證、亞組結果、軟體物料清單、安全測試、更新政策、服務級別、事件通報和退出遷移方案,並用本機構從未參與訓練的資料複測。可加入導聯脫落、雜訊、時鐘錯位、極端時長和異常文本等壓力場景,確認系統會適當拒絕或降級,而不是自信地產生結果。管理體系證書只能說明一定的組織過程,不能取代具體產品驗收。
七、證據狀態、責任與合規
睡眠基礎模型是快速發展的研究與平台技術。現有研究支援從多模態睡眠資料學習可遷移表徵,但不同研究的資料、任務、參照標準和統計目標差異很大,且許多成果尚未經過前瞻性臨床使用檢驗。技術報告應透明描述訓練和評估資料、受試者級劃分、缺失資料、主要與次要結局、關鍵亞組、公平性、程式碼和資料可得性及限制;報告規範提高可讀性,並不自動證明低偏倚或產品合規。
監管身分由實際功能和預期用途決定。用於一般健康教育、研究、行政支援、臨床決策支援或疾病篩檢診斷的系統可能適用不同規則;涉及醫療用途時,還需根據當地醫療器材軟體、品質管理、臨床評價、網路安全和上市後監督要求判斷。健康 AI 指南、NIST 風險框架和 AI 管理體系標準可協助治理,但它們不是政府許可;第三方體系認證、論文、專利、開源程式庫和 WSIC 編碼也都不構成具體模型性能或臨床效果認證。
開發者、部署機構和專業使用者應分別承擔與其控制能力相稱的責任,不能把錯誤歸因於抽象的「演算法」。公開材料不得宣稱模型理解睡眠的全部機制、可取代醫師、從一晚資料確定未來疾病、適用於所有裝置人群或永久準確。發生明顯性能退化、資料洩露、嚴重偏差或可能傷害使用者的錯誤時,應有暫停、通知、調查、糾正和必要報告機制。真正可用的基礎模型不僅要在基準上領先,還要在明確邊界內可驗證、可監督、可退出並持續接受真實世界檢驗。