12 月 3 日消息，苹果的一项新研究揭示了该公司如何借助人工智能（AI）技术，进一步挖掘心血管健康方面的深层见解。

在 watchOS 26 系统中，苹果为其 Apple Watch 引入了“高血压提醒”功能。据该公司解释：

Apple Watch 的高血压提醒功能利用光学心率传感器的数据，分析用户血管对心跳的反应情况。该算法在后台被动运行，持续回顾 30 天内的数据，若检测到持续性的高血压迹象，便会向用户发出通知。

尽管这一功能远非医疗级诊断工具，苹果也明确表示：“高血压提醒无法检测所有高血压病例”，但公司预计，该功能在推出首年内有望提醒超过 100 万名尚未确诊的高血压患者。

值得注意的是，该功能并非基于瞬时测量，而是依托于长达 30 天的数据趋势分析。这意味着其算法关注的是长期变化趋势，而非提供实时血流动力学读数或估算具体的心血管参数。

而这正是这项新研究的切入点。需要首先明确一点：在这项研究中，Apple Watch 从未被提及，文中也未对任何即将推出的产品或功能作出承诺。与苹果机器学习研究博客发布的大多数（甚至全部）论文一样，本研究聚焦于基础性科研及底层技术本身。

据了解，这篇题为《用于无创心血管参数监测的光电容积描记法混合建模》（Hybrid Modeling of Photoplethysmography for Non-Invasive Monitoring of Cardiovascular Parameters）的论文提出了一种“混合方法”，即“结合血流动力学仿真与未标注的临床数据，直接从 PPG 信号中估算心血管生物标志物”。

简言之，研究人员证明：仅凭一个简单的指端脉搏传感器（即光电容积描记仪，Photoplethysmograph，简称 PPG）—— 这正是 Apple Watch 所采用的光学传感技术（尽管信号特征有所不同），即可估算出更深层次的心脏指标。

具体而言，苹果研究人员首先获取了一个大规模的、带有标签的模拟动脉压波形（Arterial Pressure Waveforms, APW）数据集，以及另一个包含同步采集的真实世界 APW 与 PPG 信号的数据集。

随后，他们训练了一个生成式模型，使其学会将 PPG 信号映射到同时发生的 APW 上。通过这一过程，他们得以从 PPG 测量中以足够精度推断出 APW 数据。

接着，他们将这些推断出的 APW 输入第二个模型。该模型经过训练，可从 APW 中进一步推导出如每搏输出量（stroke volume）和心输出量（cardiac output）等心脏生物标志物。

第二模型的训练依赖于模拟的 APW 数据，并配以已知的心血管参数值（包括每搏输出量、心输出量等）。

最终，研究人员为每个 PPG 片段生成多个合理的 APW 波形，分别推断对应的心血管参数，并对结果取平均值，从而得出最终估计值及其不确定性度量。

在完成整个训练流程与模型构建后，研究团队选取了一个全新的数据集进行验证，该数据集包含 128 名接受非心脏手术患者的 APW 与 PPG 信号，并附有相应的心血管生物标志物标签。

将该数据输入模型后，结果显示：该方法能够准确追踪每搏输出量和心输出量的变化趋势，尽管尚无法精确预测其绝对数值。即便如此，其表现仍优于传统技术，表明借助 AI 辅助建模，可以从简单的光学传感器中提取出更具临床意义的心脏健康信息。

研究人员在论文中总结道：

“本研究采用一种混合建模方法，从体内 PPG 信号中推断心血管参数。相较于因标注数据有限而受限的纯数据驱动方法，我们的方法通过引入仿真数据，规避了侵入性且昂贵的标注需求，取得了颇具前景的结果。现有其他心血管混合建模方法，或是在神经网络结构中嵌入物理约束，或是将传统生理模型与数据驱动组件结合；而我们的方法则通过模拟贝叶斯推断（SBI）将物理知识融入模型。（……）我们的成果有助于阐明 PPG 信号在预测心脏生物标志物方面的信息潜力，且其应用范围可能超出本实验所涵盖的指标。尽管我们在监测时间趋势方面取得积极进展，但复杂生物标志物的绝对值预测仍具挑战性，这也是未来研究的关键方向。后续工作还可探索 PPG 到 APW 映射的其他生成式方法，或尝试不同的模型架构。此外，本研究中针对指端 PPG 所采用的学习策略，亦可拓展至其他模态，包括可穿戴 PPG 设备，从而为实现被动、长期的心脏生物标志物监测打开大门。”

虽然目前尚无法确定苹果是否会将这些技术整合进未来的 Apple Watch 产品中，但令人鼓舞的是，该公司研究人员正积极探索创新方法，力求从现有传感器中提取更具价值、甚至可能挽救生命的心血管健康数据。

该研究全文已发布于 arXiv 预印本平台。