利用人类生理的生成式多模态模型模拟临床干预
人工智能
2026-05-01 v1
摘要
理解人类健康如何随时间变化，以及个体对干预的反应为何存在差异，仍然是医学领域的核心挑战。在此，我们提出HealthFormer，这是一个仅解码器的Transformer模型，它通过训练来自人类表型项目（一个包含超过15,000名深度表型个体的多次访问队列）的数据，以生成式方式模拟人类生理轨迹。我们将每位参与者的健康轨迹在涵盖七个领域的667项测量指标上进行标记化，这些领域包括：血液生物标志物、身体成分、睡眠生理、连续血糖监测、肠道微生物组、可穿戴设备衍生的生理数据以及行为和药物暴露。我们训练HealthFormer来预测这些领域的个体生理轨迹，基于这一单一的生成目标，一系列临床相关任务都可以作为对模型的查询来表达。我们证明，在没有特定任务训练的情况下，HealthFormer能够迁移到四个独立队列，并在30个疾病发病和死亡终点中的27个上改善了预测，在每一项比较中都超过了已建立的临床风险评分。我们进一步表明，该模型可以在计算机上模拟干预：在一项留出的个性化营养试验中，以干预为条件的预测恢复了六个月的个体生物标志物变化（例如，舒张压的皮尔逊相关系数r = 0.78）。在从已发表试验中提取的41项随机干预-结果比较中，我们的结果显示，预测的效应方向在每种情况下都一致，并且预测均值在30个案例中落在报告的95%置信区间内。我们将HealthFormer定位为一个初步的健康世界模型，预测、风险分层和以干预为条件的模拟都作为查询从中产生，为临床数字孪生提供了基础。
引用
@article{arxiv.2604.27899,
title = {Simulating clinical interventions with a generative multimodal model of human physiology},
author = {Guy Lutsker and Gal Sapir and Jordi Merino and Smadar Shilo and Anastasia Godneva and Eli Meirom and Shie Mannor and Hagai Rossman and Gal Chechik and Eran Segal},
journal= {arXiv preprint arXiv:2604.27899},
year = {2026}
}