健康基盤モデルが大量の生体データから獲得した表現は、もはやブラックボックスではない。ICML 2026の解釈性ワークショップに採択された研究は、学習済みモデルから健康状態に紐づく「シンボル（解釈可能な方向性）」を事後抽出し、再学習なしに異なるセンサーモデル間で知識を転用する枠組みを示した。心拍と加速度という異質な信号の間で、生理学的に意味のある共通部分空間の存在が確認され、ウェアラブルAIの展開効率を大きく変える可能性がある。

凍結モデルから解釈可能な「シンボル」を抽出

研究チームは、既に学習済みの健康基盤モデル（FMs）の埋め込み表現を事後的に分解し、特定の健康状態や生理的属性に選択的に対応する方向性ベクトルを特定した。これを「シンボル」と定義し、モデル内部の知識を人間が理解できる単位として取り出すことに成功している。対象は光電式容積脈波（PPG）と加速度計という2種類のセンサーデータで、約17万2千人の参加者から収集した約2千万分の未ラベルデータで事前学習された3つの基盤モデルを用い、3万人規模のホールドアウトコホートで検証した。この手法はモデル自体の再学習を一切必要とせず、すでに実用化されたモデル群への後付け適用が可能である点が、産業展開上の利点となる。

シンボルが示す生理的意味と共通構造

抽出されたシンボルは、特定の健康状態と選択的に結びつくだけでなく、その関連付けのパターンが一部、モダリティ（センサー種別）やモデルアーキテクチャの違いを超えて共有されていることが明らかになった。これは、心拍データと動きのデータという物理的に異質な信号から学習された表現空間の内部に、血行動態や活動パターンなど生理学的に意味のある低次元の共通部分空間が存在することを示唆する。モデルが個別に学習したにもかかわらず、類似した記号的組織化が生じるという知見は、大規模生体データを用いた基盤モデル開発において、解釈性を担保した設計指針を与える。

クロスモーダル転用で95％超の性能を維持

シンボルを介した異種センサーモデル間の知識転用実験では、転用先ドメインにおける性能が元のドメイン内性能の95%以上を維持した。この転用効率は双方向でほぼ対称的に成立し、少量のペアデータで飽和に達するという、実応用に適した特性を示した。従来、センサー種別ごとに大規模な再学習や統合学習が必要だったヘルスケアAI開発において、限られた対応付けデータから高精度なマルチモーダル連携を実現できる可能性が示された。この手法は、デバイスやセンサー構成が多様化するウェアラブル市場で、モデル開発の時間と計算資源を大幅に節約する技術的経路を提供する。