📄 健康信息学

A world model simulates the latent dynamics of human health

该论文介绍了 HealthFlux，这是一个全模态世界模型，它通过整合多样化的多模态数据来学习人类健康的潜在动力学，从而持续更新统一的健康状态，实现对疾病和死亡率的高度准确的长期预测，并支持虚拟临床试验。

原作者： Wang, Z., Zhang, O., Wang, J., Jiang, Y., Ma, Z. C., Guo, M., Al Dajani, S., Eames, A., Moldakozhayev, A., Poganik, J. R., Moqri, M., Gobel, D., Zhai, R., Isakova, A., Wu, Y., Yin, Z., Cong, L., Slavi

发布于 2026-10-07

📖 1 分钟阅读☕ 轻松阅读

CC0 1.0

原作者： Wang, Z., Zhang, O., Wang, J., Jiang, Y., Ma, Z. C., Guo, M., Al Dajani, S., Eames, A., Moldakozhayev, A., Poganik, J. R., Moqri, M., Gobel, D., Zhai, R., Isakova, A., Wu, Y., Yin, Z., Cong, L., Slavich, G., Matusik, W., Ruohola-Baker, H., Zou, J., Snyder, M. P., Gladyshev, V. N., Wyss-Coray, T., Ying, K.

原始论文根据 CC0 1.0（https://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

人类健康并非医生通过单次检测就能捕捉到的静态快照。它是一个持续的、不断变化的叙事，跨越数十年展开，由血液化学、器官功能、基因密码和日常习惯的语言编写而成。血液检测捕捉的是一个时间点，MRI扫描揭示的是器官的结构，而诊断则标志着疾病变得可见的特定时刻。然而，一个人的健康状态存在于这些时刻之间，即使在无人关注时也在持续变化。现代医学面临的挑战在于，如何找到一种追踪这种无形且演变的健康状态的方法，理解人体是如何从健康走向疾病的，并预测这条路径可能通向何方，从而在危机发生前做出预判。

研究人员早已知晓人体的系统是深度互联的。心脏的问题往往会在肾脏中产生回响；遗传倾向可能只有在与特定的生活方式结合时才会显现。传统的医疗模型通常孤立地观察这些碎片，或者依赖那些无法随新信息到达而更新的静态风险评分。它们难以将今天的血液检测、五年前的MRI以及明天的全新诊断联系起来。问题依然存在：我们能否构建一个系统，学习人类生物学的隐藏规则，将每一片数据片段整合进一个单一的、鲜活的个人健康图景中，并随着新证据的到来实现自我更新？

一组科学家通过一种名为 HealthFlux 的新方法回答了这个问题。他们构建了一个“世界模型”（world model），这是一种人工智能，它不仅仅是记忆过去的疾病，而是学习健康随时间变化的底层动态。为了训练这个系统，他们向其输入了来自英国生物样本库（UK Biobank）超过 50 万人的海量信息。这些数据包括了近 5,000 种不同类型的测量指标，涵盖了从常规血液检测、生活习惯到大脑和身体的复杂三维图像以及基因谱系。该模型学会了将这些零散的线索编织成一个关于每个人健康状态的单一且连续的表征。

与那些等待新检测结果来更新视角的标准医疗工具不同，该系统可以模拟两次检测之间发生的情况。它使用一个数学引擎，根据年龄和遗传等永久性特征，投影一个人的健康状态在每一天是如何演变的。当新的数据到达时——例如一个新的诊断或一次血液检测结果——系统会立即修正其理解，就像医生根据新发现更新病历一样。这使得模型即使在长时间没有医疗接触的情况下，也能维持一个一致且最新的个人健康图景。

这种方法的成果令人瞩目。当研究人员在从未见过的受试人群中测试该模型时，它成功预测了未来二十年内 1,256 种不同疾病及死亡的风险。在这些测试中，该模型的表现优于现有的最先进工具，包括针对心脏病的专门风险评分和通用机器学习模型。例如，在模型识别出的心力衰竭高风险人群中，近 30% 在五年内被诊断出患有该病，而普通人群中的这一比例不足 2%。同样，对于 2 型糖尿病，该模型在正式诊断出病例的数年前，就已正确识别了绝大多数未来的病例。

最重要的发现之一是，该模型学习到了“健康”本身的概念，而非仅仅是记忆特定的疾病。研究人员通过在训练阶段对某些疾病进行“隐瞒”来测试这一点。即便在从未见过这些特定疾病标签的情况下，模型仍能预测谁会发展出这些疾病，并在 100 次对比中，在 78 次中正确排列了未来患者的风险等级。这表明该系统已经学习到了一张适用于不同病症的基础人类生物学地图，使其能够识别出预示问题的衰退模式，即使是针对罕见或新定义的疾病也是如此。

该模型还证明了其模拟药物效果的能力。通过将药物的开始视为改变健康轨迹的一种“行动”，研究人员可以进行虚拟试验，观察不同的治疗方案如何改变一个人的未来。他们模拟了常用品种如他汀类药物和降压药的效果，发现预测的生物标志物（如胆固醇水平）的变化与数百项真实的真实世界随机临床试验报告的结果相吻契合。此外，模型预测某些药物不仅能针对其原定的适应症，还能降低广泛的疾病风险，这暗示了药物重定位的新可能性。

至关重要的是，研究表明结合不同类型的数据是必不可少的。该模型识别出了那些仅靠单一类型数据（如仅看血压读数）的模型所遗漏的未来高血压病例。通过整合遗传信息、生活方式因素和影像学资料，该系统发现了单一模态方法所忽略的隐藏风险。研究人员还证明，模型的预测与人体的物理现实是一致的；例如，模型标记为预测心脏病关键性的脑区，与后来发展出该病的人群所表现出的结构差异区域完全吻合。

这项工作代表了一种转变：从将健康视为一系列脱节的事件，转向将其理解为一个持续演变的过程。通过创建一个学习全谱系生物数据的“人类健康数字孪生体”，研究人员构建了一个能够比以往任何时候都更远地洞察未来的工具。虽然该模型并非水晶球，其预测是基于统计模式而非保证的结果，但它提供了一种强大的新途径，可以在症状出现前很久就识别出高风险个体。这种模拟患者健康未来、在虚拟环境中测试干预影响以及监测全身早期疾病迹象的能力，开启了预防医学的新篇章，将重心从治疗疾病转向了维护健康。

技术摘要：HealthFlux —— 一种面向人类健康的泛模态世界模型

问题陈述

人类健康是一种无法直接观测的潜在、底层状态。临床记录、生物学测量和影像学仅能捕捉到该状态在不同时间点上的部分、异步且异质的侧面。现有方法通常将疾病预测视为静态分类任务，或依赖于特定模态（如 EHR 序列或单一组学），未能将多样化的数据源整合进一个在观测之间持续存在并随时间连续演化的统一表示中。挑战在于如何推断出一个能够整合多模态证据、模拟不规则测量之间连续生理动态、并在特定疾病标签稀缺或缺失时仍能实现稳健预测的潜在健康状态。

方法论

数据与范围

该模型名为 HealthFlux，基于 502,166 名参与者 的数据进行训练，涵盖 UK Biobank。它整合了 11 个数据领域：

纵向临床记录（EHR 事件）。
人口统计学、遗传学（主成分）及生活方式。
血液生化、血液学、蛋白质组学及代谢组学。
身体功能测量。
三维脑部及身体 MRI 容积数据。

输入包括 4,877 个时间相关特征（临床事件和数值型特征）、43 个永久性上下文变量以及容积 MRI 数据。

架构：一种混合状态空间世界模型

HealthFlux 采用了一种连续时间循环状态空间架构，旨在模拟临床推理过程：

连续演化（Neural ODE）： 在观测之间，健康状态的确定性部分通过受年龄和永久性上下文约束的神经常微分方程（Neural ODE）进行演化。这使得模型能够在没有临床接触的间隔期内模拟生理轨迹。
观测驱动的修正（随机门控与 GRU）： 当新数据到达时（例如血液测试、诊断或 MRI），一个随机门控会权衡新证据与预期状态。随后，门控循环单元（GRU）会更新确定性状态，从而根据新发现对健康评估进行修正。
潜在状态表示： 最终的健康状态是一个 384 维向量，由一个 256 维的确定性分量和一个 128 维的随机性分量拼接而成。
动作分支（药物模拟）： 一个在世界模型冻结的情况下训练的独立分支将药物表示为“动作”。它利用药物特征（ATC 代码、分子靶点、化学结构和文本嵌入）来改变健康状态，从而能够模拟同一患者在“用药”与“不用药”下的轨迹变化。

训练目标

世界模型： 通过变分目标，训练模型预测下一个临床事件的身份和发生时间（下一事件交叉熵及时间预测）。在核心状态学习过程中，它并不使用疾病标签。
读出层（Readouts）： 通过在冻结的潜在状态上训练解码器，来预测疾病风险（1,256 种疾病及死亡）和健康状态指数（HSI）。
药物效应： 通过比较有无药物动作的轨迹，模拟生物标志物的变化和疾病风险；这些模拟结果针对特定通路（如 LDL、血压）根据随机对照试验（RCT）的元分析进行了校准。

核心贡献

泛模态整合： HealthFlux 是第一个在单一连续时间潜在状态内，共同从 EHR、多组学、生活方式和 3D MRI 容积数据中学习的模型，证明了整合多种模态可以识别出被单模态模型遗漏的高风险个体。
对未知疾病的泛化能力： 该模型可以预测在训练过程中完全排除在外的疾病风险（既不在世界模型中，也不在读出层中）。它在“严格未见”疾病上的 AUROC 达到 0.783，在将未来病例排在非病例之上方面表现为 78%，这表明它学习的是底层的健康动态，而非仅仅记忆疾病标签。
虚拟临床试验： 通过将状态转换以药物动作作为条件，HealthFlux 可以模拟生理和疾病风险的变化。模拟的生物标志物变化与 286 项 RCT 的观察变化具有相关性（ $r_w = 0.31$ ），且预测的疾病风险方向与 228 项 RCT 的观察结果一致（ $r_w = 0.32$ ）。
长程预测： 模型在没有新数据的情况下仍能保持长期的预测性能。在没有任何进一步观测的 20 年模拟中，其表现优于最先进的模型（如 Delphi-2M），在将未来病例排在非病例之上方面，其表现为 84%，而对比模型仅为 58%。

关键结果

疾病预测： 在留出的 UK Biobank 参与者中，HealthFlux 在 1,256 种疾病及死亡方面的平均 5 年 AUROC 为 0.832，平均精确度为 0.032，优于专门的临床评分（QRISK3, SCORE2）和其他机器学习模型（XGBoost, LightGBM, MILTON, Delphi-2M, RisQ）。
风险分层： 对于中位疾病，预测风险前 10% 的人群承担了五年内新发病例的 51%。对于心力衰竭，前 1% 的人群在五年内的发病率为 29%（总体为 1.4%）。
健康状态指数 (HSI)： 这是一个从潜在状态导出的单一标量分数（0–1），用于对死亡率和多病共存进行分层。较低 1 个标准差的 HSI 与 1.67 倍的死亡风险增加 相关。在确诊慢性疾病前高达 10 年，HSI 就会呈现较低水平。
外部验证： 其性能在四个独立的美国队列（CARDIA, ARIC, WHI, All of Us）中表现相当或更优，即使是在零样本设置下（All of Us，即模型在未重新训练的情况下应用）。
模态归因： 消融研究证实，每种模态都贡献了独特的信息。例如，蛋白质组学和代谢组学对代谢类疾病至关重要，而身体功能和生活方式对精神和循环系统疾病至关重要。
药物筛选： 模型识别出了药物重定位的候选药物，例如二甲双胍和比索洛尔，预测其能广泛降低数百种疾病的风险。

意义与声明

作者声称 HealthFlux 将健康本身作为预测对象。通过从异步的泛模态数据中学习健康的潜在动态，该模型创建了一个持久且可修正的状态，支持在诊断前数年进行风险评估。

论文强调：

模型学习的是可泛化的健康动态，而非特定的疾病模式，这从其能够预测从未训练过的疾病的能力中得到了证实。
整合至关重要： 单一模态模型会遗漏很大一部分未来的病例（对于高血压而言，比例在 28%–56% 之间），而泛模态模型则能捕捉到这些病例。
模拟是可行的： 模型可以模拟药物动作的生理效应并预测下游疾病风险，这与随机对照试验的观察结果相符。
临床效用： HSI 提供了一个统一的健康状态度量，与自评健康状况相关，并能预测死亡率和多病共存，从而可能实现早期干预。

作者指出，这些是基于观察性数据的回顾性预测，且药物效应属于模拟结果，需要在前瞻性临床研究中进行验证。该模型被定位为生成假设和识别高风险个体的工具，而非替代临床判断或经过认证的诊断设备。