研究人员近日发布了一款可预测个人罹患1000多种疾病可能性的AI模型，该工具甚至能预估疾病可能发作的时间。本周发表在《自然》杂志的这项研究将该AI命名为Delphi-2M，其训练数据来自英国和丹麦近230万人的匿名健康记录，标志着利用生成式AI描绘人类健康未来走向的最大规模尝试之一。
与仅覆盖特定病症（如心脏病、糖尿病）的传统健康计算器不同，Delphi-2M采用整体方法。这意味着该AI工具实际模拟数十年间的健康轨迹演变，预测包括疾病、睡眠模式及其他健康影响因素在内的并发症序列。
Delphi-2M的工作原理
该模型基于ChatGPT等聊天机器人的底层技术构建，但与大语言模型的关键区别在于其专为处理医疗史而非文本设计。每项诊断、人口统计细节或生活方式因素均被编码为"标记"，使AI得以像语言模型预测下一个单词那样分析疾病发展进程。
关键输入包括：
- 年龄与性别
- 涵盖1000多种病症的既往诊断记录
- 体重指数、吸烟及饮酒等生活方式因素
利用这些基础但关键的信息，模型可同时预测患者可能面临的下一种疾病及其发病时间。在测试中，该模型对英国数据集中数百种疾病的平均准确率（曲线下面积）达0.76，考虑到人类健康的复杂性，这一结果相当显著。
成果与局限
研究显示，当要求Delphi-2M为60岁人群生成模拟健康预测时，其十年后的预测结果与实际人群健康数据高度吻合。这表明它有望成为公共卫生规划的有力工具，例如识别未来可能激增的疾病类型。
但该技术并非完美。应用于丹麦数据时准确率下降，证明模型在不同人群中的可靠性存在差异。此外，如同所有预测性AI，该模型会反映训练数据集的偏差。例如英国生物银行数据偏向更富裕、更健康的参与者，可能导致对弱势群体的风险评估失真。
可信度评估
必须明确的是，人类监督不可或缺，AI绝不能替代医生。因此研究团队强调Delphi-2M目前并非诊断工具，而更像一种风险预测引擎，可用于检测整体风险并规划预防性护理。预测您72岁患癌风险高并不意味着必然发生，仅说明您与训练数据中患癌人群特征相似。
尽管如此，其潜力令人瞩目。未来可能出现更多类似Delphi-2M的AI模型，与现有健康计算器协同工作，为患者和医生提供个性化的未来风险图谱，甚至提出可操作的预防措施以延缓或避免疾病发生。
核心结论
尽管仍处于研究阶段，AI引导医疗的前景引发诸多思考：让ChatGPT或Claude编写代码的生成式技术，能否同样用于疾病预测？Delphi-2M预示着未来医生可能借助AI扫描您数十年的潜在健康历程，帮助您在症状出现前就采取预防行动。
【全文结束】
