超越生成式AI：用于临床预测、反事实推理与规划的世界模型

医疗保健需要具备预测性、可靠性和数据效率的AI系统。然而，近期的生成模型缺乏物理基础和temporal推理能力，难以满足临床决策支持需求。随着规模化语言模型在具身临床推理方面显示出 diminishing returns，世界模型（world models）正因其学习多模态、时序一致且动作条件化表征的能力而受到关注，这些表征反映了护理的物理与因果结构。本文综述了用于医疗系统的世界模型，这些模型学习预测动力学，以实现多步预测、反事实评估与规划。我们综述了近期工作涉及的三个领域：(i) 医学影像与诊断（如纵向肿瘤模拟、投影-转换建模及联合嵌入预测架构，即JEPA风格的预测表征学习），(ii) 来自电子健康记录的疾病进程建模（大规模生成事件预测），以及(iii) 机器人手术与手术规划（动作条件化引导与控制）。我们还引入了能力评估框架：L1时序预测、L2动作条件化预测、L3反事实预测以支持决策、以及L4规划/控制。大多数所述系统实现了L1至L2级能力，L3与L4级的实例较少。我们识别出限制临床可靠性的跨领域问题：行动空间与安全约束不明确、干预性验证不足、多模态状态构建不完整以及轨迹级不确定性校准不足。本综述勾勒了致力于构建具备临床可靠性预测导向世界模型的研究议程，这些模型将生成式主干（transformer、扩散模型、VAE）与因果/机械模型相结合，以实现医疗保健领域的安全决策支持。