大型基础模型的健康干预个性化
人工智能
2026-01-08 v1 机器学习
应用统计
摘要
大型基础模型（LFMs）正在改变医疗保健AI在预防、诊断和治疗方面的应用。然而，LFMs能否提供真正的个性化治疗建议仍是一个未解决的问题。近期研究揭示了多重挑战，包括基本的可塑性悖论：在一个临床研究中取得高准确率的模型，在其他研究中表现为随机水平，这表明个性化与外部有效性之间存在张力。这体现了AI驱动医疗的更广泛矛盾：隐私-性能悖论、规模特异性悖论和自动化-共情悖论。此外， LFMs所需的因果理解程度——与仅仅的预测能力相比——在个性化建议方面仍是一个未解之谜。N-of-1试验——交叉随机自实验——是个性化医学中 individual causal inference 的金标准，通过在本地进行实验提供 within-person 因果证据同时保持隐私。尽管具备惊人能力，但本文认为 LFMs 不能取代 N-of-1 试验。我们认为 LFMs 与 N-of-1 试验是互补的：LFMs 在从多模态数据中利用人群模式快速生成假设方面卓越，而 N-of-1 试验 在针对特定个体进行因果验证方面卓越。我们提出一种混合框架，将二者的优势结合起来实现个性化并应对所识别的悖论：LFMs 生成带有不确定性估计的排序干预候选方案，触发后续的 N-of-1 试验。澄清预测与因果之间的界限并明确应对悖论性张力是负责任地将AI整合到个性化医疗中不可或缺的。
引用
@article{arxiv.2601.03482,
title = {Personalization of Large Foundation Models for Health Interventions},
author = {Stefan Konigorski and Johannes E. Vedder and Babajide Alamu Owoyele and İbrahim Özkan},
journal= {arXiv preprint arXiv:2601.03482},
year = {2026}
}
备注
Accepted to the AAAI 2026 Workshop on Personalization in the Era of Large Foundation Models (PerFM)