可穿戴数据融合新突破！BioSync指数精准预测疾病，AUC高达0.928，相关性0.91！
BioSync: Transformer-Based Cross-Modal Fusion for a Multimodal Physiological Digital Biomarker
📖 AI 总结
BioSync 提出了一种基于 Transformer 的跨模态融合模型，旨在整合心脏、神经、行为和语音等多模态生理信号，生成一个名为 BioSync Index（BSI）的连续数字生物标志物。该模型采用多头自注意力机制处理模态令牌，并引入线性分支以保留特征拼接能力，其设计受潜变量测量理论启发，旨在捕捉单模态无法提供的联合信息。研究在两个合成队列中验证了模型性能：在四模态认知衰退队列中，BioSync 的 AUC 达 0.928，略高于特征拼接的 0.926；在代谢-自主神经队列中，其准确率和 F1 分数分别为 0.764 和 0.766，优于拼接方法。BSI 与潜在疾病严重程度的相关性在两个队列中分别为 0.91 和 0.68。消融实验表明，宽深结合的架构贡献了主要性能提升。在模态缺失训练下，BioSync 在多数噪声条件下表现更稳健，且优于五种已发表的数字生物标志物参考值。尽管结果积极，作者强调仍需在真实人群队列中进一步验证。
🔑 关键词速览
| BioSync Index (BSI) | 一种连续复合数字生物标志物，用于综合多种生理测量以反映整体生理状态。 |
| BEST framework | 一个用于定义和评估生物标志物的标准化框架，确保其有效性和可靠性。 |
| Multi-head self-attention | 一种注意力机制，允许模型同时关注输入序列的不同部分，以捕捉复杂关系。 |
| Modality tokens | 代表不同数据模态（如心率、脑电等）的输入标记，用于模型处理。 |
| AUC | 受试者工作特征曲线下的面积，用于衡量分类模型的性能，值越高表示区分能力越强。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅