IT之家 12 月 3 日消息，蘋果的一項新研究揭示了該公司如何借助人工智能（AI）技術，進一步挖掘心血管健康方面的深層見解。

在 watchOS 26 系統中，蘋果為其 Apple Watch 引入了“高血壓提醒”功能。據該公司解釋：

Apple Watch 的高血壓提醒功能利用光學心率傳感器的數據，分析用戶血管對心跳的反應情況。該算法在后臺被動運行，持續回顧 30 天內的數據，若檢測到持續性的高血壓跡象，便會向用戶發出通知。

盡管這一功能遠非醫療級診斷工具，蘋果也明確表示：“高血壓提醒無法檢測所有高血壓病例”，但公司預計，該功能在推出首年內有望提醒超過 100 萬名尚未確診的高血壓患者。

值得注意的是，該功能并非基于瞬時測量，而是依托于長達 30 天的數據趨勢分析。這意味著其算法關注的是長期變化趨勢，而非提供實時血流動力學讀數或估算具體的心血管參數。

而這正是這項新研究的切入點。需要首先明確一點：在這項研究中，Apple Watch 從未被提及，文中也未對任何即將推出的產品或功能作出承諾。與蘋果機器學習研究博客發布的大多數（甚至全部）論文一樣，本研究聚焦于基礎性科研及底層技術本身。

據IT之家了解，這篇題為《用于無創心血管參數監測的光電容積描記法混合建模》（Hybrid Modeling of Photoplethysmography for Non-Invasive Monitoring of Cardiovascular Parameters）的論文提出了一種“混合方法”，即“結合血流動力學仿真與未標注的臨床數據，直接從 PPG 信號中估算心血管生物標志物”。

簡言之，研究人員證明：僅憑一個簡單的指端脈搏傳感器（即光電容積描記儀，Photoplethysmograph，簡稱 PPG）—— 這正是 Apple Watch 所采用的光學傳感技術（盡管信號特征有所不同），即可估算出更深層次的心臟指標。

具體而言，蘋果研究人員首先獲取了一個大規模的、帶有標簽的模擬動脈壓波形（Arterial Pressure Waveforms, APW）數據集，以及另一個包含同步采集的真實世界 APW 與 PPG 信號的數據集。

隨后，他們訓練了一個生成式模型，使其學會將 PPG 信號映射到同時發生的 APW 上。通過這一過程，他們得以從 PPG 測量中以足夠精度推斷出 APW 數據。

接著，他們將這些推斷出的 APW 輸入第二個模型。該模型經過訓練，可從 APW 中進一步推導出如每搏輸出量（stroke volume）和心輸出量（cardiac output）等心臟生物標志物。

第二模型的訓練依賴于模擬的 APW 數據，并配以已知的心血管參數值（包括每搏輸出量、心輸出量等）。

最終，研究人員為每個 PPG 片段生成多個合理的 APW 波形，分別推斷對應的心血管參數，并對結果取平均值，從而得出最終估計值及其不確定性度量。

在完成整個訓練流程與模型構建后，研究團隊選取了一個全新的數據集進行驗證，該數據集包含 128 名接受非心臟手術患者的 APW 與 PPG 信號，并附有相應的心血管生物標志物標簽。

將該數據輸入模型后，結果顯示：該方法能夠準確追蹤每搏輸出量和心輸出量的變化趨勢，盡管尚無法精確預測其絕對數值。即便如此，其表現仍優于傳統技術，表明借助 AI 輔助建模，可以從簡單的光學傳感器中提取出更具臨床意義的心臟健康信息。

研究人員在論文中總結道：

“本研究采用一種混合建模方法，從體內 PPG 信號中推斷心血管參數。相較于因標注數據有限而受限的純數據驅動方法，我們的方法通過引入仿真數據，規避了侵入性且昂貴的標注需求，取得了頗具前景的結果。現有其他心血管混合建模方法，或是在神經網絡結構中嵌入物理約束，或是將傳統生理模型與數據驅動組件結合；而我們的方法則通過模擬貝葉斯推斷（SBI）將物理知識融入模型。（……）我們的成果有助于闡明 PPG 信號在預測心臟生物標志物方面的信息潛力，且其應用范圍可能超出本實驗所涵蓋的指標。盡管我們在監測時間趨勢方面取得積極進展，但復雜生物標志物的絕對值預測仍具挑戰性，這也是未來研究的關鍵方向。后續工作還可探索 PPG 到 APW 映射的其他生成式方法，或嘗試不同的模型架構。此外，本研究中針對指端 PPG 所采用的學習策略，亦可拓展至其他模態，包括可穿戴 PPG 設備，從而為實現被動、長期的心臟生物標志物監測打開大門。”

雖然目前尚無法確定蘋果是否會將這些技術整合進未來的 Apple Watch 產品中，但令人鼓舞的是，該公司研究人員正積極探索創新方法，力求從現有傳感器中提取更具價值、甚至可能挽救生命的心血管健康數據。

該研究全文已發布于 arXiv 預印本平臺。