基于电子健康病历这类真实世界数据开展的观察性研究，现已成为临床证据的主要来源。但研究依赖大量人工操作，进展缓慢。

科技巨头 Meta 最近发布了新一代旗舰模型家族 Muse Wonder，这是该公司迄今能力最强的模型系列。现在，Meta 又宣布采用 Muse Spark 1.3 与 Muse Wonder 加速健康科学研究。

Meta 指出，尽管人工智能（AI）在数学等形式科学领域已取得重大突破，但健康科学 AI 研究依托的仍是存在缺陷的真实世界数据。

Meta 搭建了一套由 Muse Spark 1.3 与 Muse Wonder 驱动的研究框架，可调用 500 万份去标识化电子健康病历以及公开数据集。医学专家已利用该框架开展原创研究，在完全掌握科学决策主导权的前提下，AI 加快了假设生成、代码运行与论文撰写工作。

四周内完成十项原创研究

Meta 招募了一批具有心脏病学、流行病学、传染病学和内科学背景的医学研究人员，他们使用 Muse 框架在短短四周内完成了原创性研究。研究领域覆盖心脏病学、肿瘤学、传染病学、急诊医学等多个方向，产出的 10 篇研究论文现已公开。

这些研究在第三方专家评审中得到了很高的评价。例如，对于一项关于乳腺癌 ADC 序贯治疗的研究，享誉国际的乳腺癌专家 Olubukola Ayodele 称赞说：「我发现这篇稿件引人入胜且坦诚直率，尤其因为它探讨了乳腺癌研究中两个日益重要的话题：如何从日益庞大的电子病历数据集中生成有意义的真实世界证据，以及 AI 智能体如何从问题提出到分析和报告，全程提供支持。」

研究人员发现，AI 系统表现得像一个高通量、可靠性参差不齐的研究助手：擅长起草报告、信息提取和代码生成，甚至还能提供超出特定研究范围的分析方法。但 AI 缺乏专业判断力，在判断某个来源是否存在、某个记录字段是否度量了预期构念、以及自身输出是否正确等方面并不可靠。AI 可以轻松绘制数据集的结构，但它无法判断临床价值，也并非总能识别固有的数据局限性。

而 Meta 这项探索最大的亮点之一，是 Muse 显著提升了研究效率，加快了整体研究进程。在最佳情况下，与传统研究流程相比，研究效率有高达十倍的改进，甚至有论文仅用时七天就完成了。

有趣的是，Muse 带来的最明显收益不是更快地起草，而是更快地终止。Muse 模型能迅速标记出已发表文献中已经解决的问题，揭示研究问题与可用数据之间的不匹配，并提出可能产生更具新颖性贡献的替代研究设计。这使研究者能够及早调整方向或终止某些项目。对科研人员来说，避免将时间浪费在无法发表的研究上，是非常重要的。

路径探索

Meta 表示，此次探索只是其 AI 模型应用于科学和健康领域的开端。未来基于更全面数据集的分析将使模型能够对各种数据元素进行推断和关联，从而生成新的假设，并在试验中进行验证。

今年，科技巨头和 AI 新锐扎堆入局医疗赛道。1 月，Anthropic 宣布推出符合 HIPAA 标准的 Claude 医疗服务；3 月，微软发布个人健康聊天应用 Copilot Health；7 月，OpenAI 上线 ChatGPT Health，接入电子病历，可以解读用户体检报告；谷歌更是持续迭代专为医疗场景设计的 AI 模型 MedGemma......

Meta 不是最早入局的，但它选择了一条独特的技术路线。Meta 认为 AI 模型可以作为受监督的自主研究智能体，在专家指导下，在无法进行正式验证的领域做出决策。

AI 增强科学研究现在主要有两种路径，区别在于模型被允许决定研究过程的多少。

一种是完全自主的「AI 科学家」系统，其最终目标是完全将人类排除在回路之外，这样做有不可验证的引用、不透明的来源和科学判断被取代的风险；另一种是自动化单一阶段的工具，如证据综合或评审筛选，不做全流程设计。

而 Meta 选择了折中方案：Muse 模型加速了每个阶段，而研究者也在过程的每个阶段通过预设的门槛和关键点检查进行指导治理。

这条路径能否走通，医疗赛道的比拼又将如何展开，我们拭目以待。

参考链接：

https://research.meta.ai/blog/accelerating-scientific-research-in-health-data-science-with-muse-models

https://x.com/AIatMeta/status/2110441716507693450

https://research.meta.ai/static/observational-research-with-muse-models

声明:此文版权归原作者所有，若有来源错误或者侵犯您的合法权益，您可通过邮箱与我们取得联系，我们将及时进行处理。邮箱地址:zhaobozhi@jnexpert.com