Google Research a lancé SensorFM — un modèle pour 35 tâches de prévision en santé

Le 10 juillet 2026, Google Research a présenté SensorFM — un modèle de fondation pour prédire les résultats de santé à partir de données de dispositifs portables. Il a été entraîné sur 1 billion de minutes (plus de 2 milliards d'heures) de données de capteurs de 5 millions de volontaires et se transfère à 35 tâches de prédiction médicale.

Qu'est-ce que SensorFM

SensorFM (Large Sensor Foundation Model) — un transformateur de fondation spécialisé pour l'analyse de séries temporales à partir de dispositifs portables. Il traite 34 caractéristiques agrégées par minute de cinq capteurs : PPG (fréquence cardiaque), accéléromètre, activité électrodermale, température de la peau et altimètre. Les caractéristiques sont organisées en sept catégories avec une fenêtre de contexte de 24 heures.

À la base se trouve un encodeur ViT-1D (Vision Transformer unidimensionnel) entraîné avec des méthodes d'auto-encodeur masqué. Le modèle est proposé en quatre variantes d'échelle, de XXS (138K paramètres) à B (110M paramètres).

• Architecture : ViT-1D avec auto-encodeur masqué
• Données d'entrée : 34 caractéristiques de 5 capteurs (PPG, accéléromètre, EDA, température, altimètre)
• Fenêtre de contexte : 24 heures
• Quatre variantes : XXS, XS, S, B (de 138K à 110M paramètres)
• Tâches cibles : prédiction de 35 résultats de santé

Sur quelles données a-t-il été entraîné

L'entraînement a utilisé les données de 5 millions de volontaires collectées entre septembre 2024 et septembre 2025. L'ensemble de données couvre 100+ pays, les 50 États américains et plus de 20 modèles de Fitbit et Pixel Watch. Volume total supérieur à 2 milliards d'heures — plus de 1 billion de minutes.

L'évaluation a utilisé des données séparées de 13 985 sujets de trois études prospectives approuvées par les comités d'éthique. Elles couvrent trois domaines : le métabolisme, le cardiovasculaire et le respiratoire.

Pourquoi c'est important

Les modèles de santé traditionnels sont construits un résultat à la fois. Avec 35 points finaux, cette approche devient inefficace : l'étiquetage est coûteux, l'annotation rétrospective est impossible. SensorFM utilise le paradigme du modèle de fondation : entraînement sur de grandes données brutes non étiquetées, puis transfert à 35 tâches spécifiques. Cela économise les coûts d'étiquetage et améliore la généralisation.

Les dispositifs portables (Fitbit, Apple Watch, Pixel Watch) sont une source puissante de données de santé du monde réel. Les modèles de laboratoire fonctionnent rarement sur les appareils commerciaux. SensorFM a été entraîné directement sur eux — essentiel pour le déploiement clinique.

Ce que cela signifie

Les modèles de fondation démontrent que l'échelle des données est un facteur de qualité et d'universalité. SensorFM est le premier vrai transformateur de fondation pour les capteurs de santé portables : une pierre de construction sur laquelle les startups de télémédecine, les entreprises pharmaceutiques et les cliniques peuvent construire. Un billion de minutes est un point de référence quasi inaccessible que les concurrents auront du mal à égaler sans accès à des écosystèmes de données comparables.