图｜Delphi-2M inform 生成未来健康轨迹的建模方法。

不同于传统模型仅能预测 1-5 年的发病概率，Delphi-2M 的“生成式”特性使其能模拟个体未来长达 20 年的健康路径。研究团队以英国生物样本库中 60 岁参与者为例，基于其 60 岁前的病史数据，生成未来健康轨迹，并与实际随访结果对比得出以下结论：

首先，群体层面的吻合度较高。Delphi-2M 的 70-75 岁疾病发病率与实际观察值高度一致，衡量预测分布与真实分布差异的交叉熵损失与真实数据无显著差异；若随机打乱参与者的既往病史，模拟结果的准确性会明显下降，证明 Delphi-2M 确实捕捉到了病史与未来疾病的关联。

其次，个体风险区分清晰。对于胰腺癌等疾病，模型能区分出“高风险”与“低风险”个体。如既往有消化系统疾病的人群，其患胰腺癌的风险会大幅升高；而哮喘、骨关节炎等疾病的风险预测虽仍依赖年龄 - 性别趋势，但也能识别出偏离群体平均风险的个体。

此外，实验证明长期预测仍然有效。随着预测时间延长，模型准确性会逐渐下降，但仍优于仅基于年龄和性别的预测，证明了其具备长期预测价值。

安格利亚鲁斯金大学生物医学科学教授 Justin Stebbing 评价道，“Delphi-2M 是计算医学与数据整合领域的重大突破，凸显了 GPT 模型在预测大规模人群及个体健康轨迹中千余种疾病发生率与时间节点方面的强大能力。”

伦敦国王学院基因组神经影像与人工智能教授 Gustavo Sudre 也认为，“Delphi-2M 清晰地展示如何运用可解释 AI 进行预测建模至关重要，这为该技术应用于临床实践奠定基础，并暗示识别出需要干预的高风险个体。”

此外。医疗数据的隐私敏感性一直是 AI 研究的痛点，直接使用真实数据训练模型可能泄露个人信息，但匿名化处理又会损失关键信息，模型的合成数据生成能力为这一难题提供了新解法。

Delphi-2M 可生成完全虚构的健康轨迹，复现真实人群的年龄 - 性别特异性发病率模式，且无法通过合成数据反推真实的个人信息，因此可作为真实数据的一种替代品，用于训练其他医疗 AI 模型，既能保护隐私，又避免了数据资源的浪费。Stebbing 教授也肯定了这一优势，称其“外部验证能力与合成数据集生成能力，彰显了模型的鲁棒性、隐私管理优势及医疗规划潜力”。

不足与未来

尽管 Delphi-2M 表现突出，但研究团队在论文中也明确指出了其局限性，需在应用过程中谨慎对待。

例如，Delphi-2M存在训练数据偏差的情况，这是由于在学习英国生物样本库时造成的“固有偏差”。英国生物样本库参与者以 40-70 岁社会经济地位较高的白人为主，导致模型对其他人群的预测可靠性较低。目前的模型还无法建立因果关系，仅能捕捉“相关性”，不能基于预测结果直接制定干预方案。

此外，Delphi-2M 仅通过数据拟合验证，尚未经过前瞻性临床试验，未在真实临床场景中测试。英国工程与技术学会院士 Peter Bannister 也表示，“这两个数据集在年龄、种族和当前医疗结果方面都存在偏差，距离改善医疗保健还有很长的路要走。”

Delphi-2M 的发布，标志着 AI 在医疗预测领域从单一扩展到多元、从“短期风险”向“长期轨迹”、从“依赖真实数据”向“隐私保护兼容”的跨越。其核心价值不仅在于预测能力强，更在于为精准医疗提供了可解释、可扩展的框架。通过 SHAP 分析，模型可清晰地展示“某一既往疾病如何影响未来风险”。通过整合基因组数据、更丰富的代谢组学信息、诊断影像数据或可穿戴设备数据，可进一步提升其预测能力。

对于 Delphi-2M 模型的未来，Sudre 教授指出，“虽然当前版本仅依赖匿名化临床记录，但令人鼓舞的是模型架构经过精心设计，可兼容生物标志物、影像学乃至基因组学等更丰富的数据类型。随着未来数据整合的推进，Delphi 平台有望发展为真正的多模态精准医疗工具”。

当然，模型是医疗决策的助手，而非替代者，其预测结果需结合医生经验、患者意愿综合判断。未来，随着训练数据的多元化、验证场景的临床化等，Delphi-2M 这类 AI 模型有望真正融入医疗流程，为每个人提供量身定制的健康管理方案，真正推动精准医疗从概念走向实践。

(来源：钛媒体)