医疗大模型改读纵向体检记录：HealthFound在1162个英国生物银行终点上平均领先最强对照10个百分点
核心概要
医学大模型擅长医学知识问答，却难以从个人反复测量的数值中推断疾病走向，因为文献与考题几乎不提供指标如何随时间共变的监督。HealthFound把501,936名英国生物银行参与者的纵向记录转成可读健康档案，与医学和通用推理数据混合，用课程式微调、拒绝采样保留微调和可验证策略优化三阶段训练。在1162个终点上，它平均准确率约69%，比各临床章节内最强对照平均高10.0个百分点；在MIMIC-IV与NHANES的零样本迁移中也保持领先。
深度剖析
HealthFound把语言模型的训练信号从描述性医学文本扩展到个体反复测量的数值随访记录，使同一个模型既能回答医学考题，也能根据发病前的体检指标判断未来是否属于高风险。 此前的医学大模型主要从生物医学文献、临床笔记和医学考题中学习，这些材料偏定性描述，很少监督测量值如何在个体间共变、随时间变化，以及病前档案与后续结局的关系。 在英国生物银行1162个终点上，HealthFound总体平均准确率约69%，相对每个临床章节内最强对照的平均优势为10.0个百分点，范围为7.9至11.5个百分点，且在内分泌代谢、心血管、泌尿生殖、呼吸、肌肉骨骼、精神、神经、消化、眼科和肿瘤各组均出现差异。
这一优势不是靠更长的推理链换来的，模型在给出高风险或低风险判断时平均只生成138.6个推理词元。 DeepSeek-V3.2、Qwen3和MiniMax-M2.7的平均推理词元分别为985.6、806.7和775.9，均多于HealthFound，因此生成长度不能解释其准确率优势。 在1162个终点中，HealthFound有444个终点准确率达到至少70%，Gemini-3-Flash为47个，DeepSeek-V3.2为41个，GPT-5.4为41个，Qwen3为28个，MiniMax-M2.7为零个。
训练分三步进行：先用课程式监督微调逐步引入队列任务并穿插医学推理数据，再用拒绝采样保留微调找回被削弱的医学能力，最后用可验证奖励的策略优化强化定量推理。 直接向模型喂入原始队列表格做下一词预测不可行，因为数万个编码字段需要在不丢失数值、单位和时间顺序的前提下转成可读序列，而大量队列训练又有侵蚀预训练医学知识的风险。 组件消融显示，课程式监督微调把英国生物银行准确率从57.1%提高到61.9%，把公开医学基准平均准确率从66.3%提高到80.0%；保留微调再把公开基准提高到84.3%，而策略优化把英国生物银行准确率从62.8%提高到69.0%，公开基准仅变化0.4个百分点。
从英国生物银行学到的能力可以零样本迁移到用途不同的数据集，模型在迁移时不再训练、不调整奖励也不改提示。 MIMIC-IV提供住院轨迹，NHANES提供横断面人群测量，两者在采样方式、观测密度和标签定义上都与英国生物银行不同。 在MIMIC-IV的475个 incident 终点上，HealthFound总体准确率约77%，Gemini-3-Flash约71%，其余模型为64%或更低；在NHANES的9个患病状态任务上，它在每个报告终点和总体比较中都取得最高准确率。
启示与展望
已展示的范围是回顾性、匹配病例对照构造下的高风险或低风险分类，评价指标为准确率和阳性识别率，覆盖英国生物银行1162个终点、8个公开医学基准、475个MIMIC-IV终点与9个NHANES任务；所有模态都以文本序列化的派生数值进入模型，影像仅以影像衍生表型形式参与，不处理原始图像、波形或自由文本临床笔记。
英国生物银行存在健康志愿者选择偏倚和人群代表性有限的问题，疾病标签可能反映编码习惯、就医接触和不均等随访；文本序列化保留数值、单位和顺序，但会简化不规则采样、重复测量和信息性缺失；主要疾病评价使用平衡或匹配样本，强调准确率与阳性识别而非校准，定性案例不提供错误率，表征投影也未与未适配的骨干模型比较；现有证据不确立临床获益、治疗用途或前瞻部署下的安全性。