核心要点
- 能够追踪人体分子网络随时间变化的AI工具可能在症状出现前就检测出癌症、糖尿病和流感等疾病。
- 一种称为"个体特异性边缘网络分析"的技术能够在不需要比较组的情况下标记患者自身数据中的疾病风险，测试得分超过1.0分中的0.9分。
- AI辅助的糖尿病模型将血糖预测误差比传统模拟器降低了50%以上。
- 研究人员警告说，在这些工具准备好用于常规临床使用之前，必须解决数据缺口、"黑箱"决策以及对未被充分代表的人群的偏见等问题。
在人体生病之前，会发生一些微妙的变化。生物系统开始波动，某些分子波动更加剧烈，异常连接形成，整个网络逐渐接近临界点。在医学历史的大部分时间里，这些早期的波动都未被注意到，它们被埋藏在医生只作为静态快照查看的数据中。发表在《智能医学》期刊上的一项新研究综述认为，人工智能现在可以实时解读这些波动，可能在疾病完全形成之前向医生发出警告。
作者王璐、吕涵和盛斌提出，医学需要停止将人体视为静止的照片，而开始将其视为延时视频，跟踪生物系统如何随时间变化以捕捉最早的危险信号。他们认为，这一转变可能会使医疗保健从事后治疗疾病转向在疾病扎根前预防它。
AI疾病预测始于生物预警系统
这种方法的核心是研究人员所说的动态网络生物标志物理论。通常，人体的分子系统，包括基因、蛋白质和化学信号，都相对平衡地运行。当一个人接近疾病时，该网络中的某些集群开始表现异常：波动更大，并且彼此之间形成异常的纠缠。研究人员已利用这一框架在流感感染研究中发现了疾病前状态，其中基因活动数据在任何症状出现前几天就揭示了网络不稳定，理论上足以让抗病毒药物最有效地发挥作用。在癌症研究中，同样的方法识别出细胞从无害转变为危险的临界点，一些研究中预测准确率经常超过80%。
社论中描述的一项发展是一种分析个体自身分子网络数据的技术，无需将该人与大量健康人群进行比较。这种称为"个体特异性边缘网络分析"的技术在测试中获得了超过1.0分中的0.9分的性能评分，这在医学测试中被认为是非常优秀的。因为它不依赖于大型比较组，所以可能更容易实时部署。
AI工具可能很快就能在症状出现前捕捉到癌症和糖尿病等疾病，但研究人员表示仍存在重大障碍。（图片来源：Shutterstock上的Thx4Stock团队）
AI疾病预测如何在不同条件下进行测试
除了检测临界点外，社论还描述了将现有医学知识与机器学习相结合的混合模型。这些系统从一开始就嵌入生理规则，而不是让AI作为一个没有生物学基础的纯数字处理器运行。
一个例子涉及1型糖尿病。研究人员创建了患者的虚拟模拟，模拟血糖如何对食物、胰岛素和活动做出反应。这些模型在预测葡萄糖水平时达到了35.0 mg/dL的预测误差。相比之下，传统模拟器的平均误差为79.7 mg/dL，超过两倍的误差范围。对于必须每天管理血糖水平以避免危险高低的患者来说，这种准确性的差距可以使日常控制更加安全。
患者病史也得到了这种处理。较新的AI模型将患者的完整病史处理为不断演变的连接网络，不仅捕捉每次就诊时发生的事情，还捕捉个体事件如何随时间相互关联。在研究数据集中，与旧方法相比，此类模型在预测心力衰竭等疾病方面的准确性提高了10%至15%。
在新冠疫情期间，将传统疾病传播方程与深度学习相结合的混合模型能够随着新变种的出现和公共卫生响应的变化实时调整其预测，在变种波期间的一些模型研究中，病例激增的预测误差低于5%。另外，一项为期16年的人群研究发现，体重指数的渐进性增加与大脑微结构的恶化有关，而体重减轻则与改善的大脑健康指标相关。
这些工具与常规护理之间存在严重障碍
尽管前景广阔，社论坦率地指出了可能出现的问题。缺失或不一致的患者记录可能导致这些系统失灵。当存在数据缺口时，模型可能会将这些缺口解释为预示疾病发作的波动类型，触发可能导致不必要的治疗或严重焦虑的错误警报。
这些工具实际上能证明什么也存在根本限制。发现一组基因在肿瘤发展前表现异常，与证明这些基因导致了肿瘤并不是一回事。如果没有实验确认，追逐最终证明毫无意义的统计模式存在真正的风险。
信任是另一个问题。许多最准确的AI模型作为"黑箱"运行，产生即使是其设计者也无法总是解释的预测。存在提供个别决策部分解释的工具，但正如论文所指出的，该领域的完全透明度仍然"难以捉摸"。对于做出高风险决策的临床医生来说，这是一个严重的缺口。伦理问题也构成了整个画面：主要基于某些人群数据训练的模型可能对其他人表现不佳，甚至危险，可能会加深它们本应帮助解决的健康差距。
最终，作者采取了谨慎的态度。他们认为，这些工具应该"增强而非取代临床专业知识"。目标是为医生提供可靠的预警系统，而不是将医学交给算法。技术能否负责任地实现这一目标，可能定义未来患者的预防医疗是什么样子。
免责声明：本文基于发表在同行评审期刊上的一篇社论。它综合了现有研究的发现，并未提供新的临床试验数据。所描述的AI工具和方法是实验性的，尚未获准用于常规诊断使用。读者应咨询合格的医疗保健提供者以获取医疗建议。
论文笔记
局限性
本文是一篇社论而非主要研究，这意味着它综合了其他已发表作品的发现，而不是呈现新的实验数据。作者承认该领域的几个局限性：数据缺口和不一致可能导致模型偏差并触发假阳性；在没有实验确认的情况下，区分相关性和因果关系仍然很困难；解释AI输出的困难削弱了临床信任。作者还指出理论进展与临床使用之间存在巨大差距，呼吁在不同人群和医疗保健环境中进行严格的前瞻性试验和现实世界研究。
资金和披露
本工作得到国家自然科学基金青年基金（批准号：32300519、62522119和T2525004）的支持。作者声明无利益冲突。感谢上海交通大学的陈洛南提供见解、指导和贡献。
出版详情
标题："由动力学驱动的医疗大数据挖掘：早期疾病预测和个性化护理的动态方法" | 作者：王璐（天津医科大学生物信息学系）、吕涵（首都医科大学北京友谊医院放射科）和盛斌（上海交通大学计算机科学与工程系；上海交通大学人工智能教育部重点实验室；上海交通大学安泰经济与管理学院主动医疗研究所）。盛斌为通讯作者。| 期刊：《智能医学》，第6卷（2026年），第1-4页。由中国医学协会代表Elsevier B.V.出版。根据CC BY-NC-ND许可开放获取。| 收稿日期：2025年8月5日；修订日期：2025年9月10日；接受日期：2025年10月28日。
【全文结束】
