跨大规模睡眠生理学的智能人工智能发现

睡眠约占人类生命的三分之一，但其生理学的许多方面仍然知之甚少。大型多导睡眠图 (PSG) 数据集为研究睡眠及其与疾病的联系提供了新的机会，但从这些记录中提取见解需要大量的专家努力，并且对于通用人工智能系统来说仍然很困难。我们开发了 AI Sleep Co-Scientist，这是一个专家指导的环境，人类科学家可以指导专家代理进行假设开发、信号预处理和统计分析，并审查中间输出。每个报告的结果都链接到生成它的可执行代码。在四个队列中，大约 124,000 个 PSG 记录和超过 50 TB 的原始信号，我们进行了五个案例研究，涵盖睡眠生理学与未来疾病的关系、它如何区分临床表型以及睡眠如何组织和调节。睡眠期间网络级生理耦合的减弱与帕金森病（HR 1.48）和阿尔茨海默病（HR 1.38）的发生有关。生理结构的晚期融合睡眠年龄模型优于无约束的早期融合方法，其年龄残留与多个器官系统的事件疾病相关。唤醒动力学将失眠和睡眠呼吸暂停共病描述为偏向阻塞性睡眠呼吸暂停的中间表型，其特征是长时间的唤醒后清醒。快速眼动（REM）持续时间比非快速眼动睡眠之前的清醒状态更接近。瞬态振荡分析发现 1 型发作性睡病存在快速西格玛缺陷和中央额叶 θ 活动过度。这些发现将睡眠与疾病风险、临床分类及其自身调节联系起来，并展示了智能人工智能如何支持大规模、多模式发现。