# 疾病预测

Glyph把临床基础模型的高维嵌入拆成稀疏、可命名的概念，让这些原本纠缠在一起的特征能像临床变量一样被检验。研究在41,628名患者的腹部CT、影像报告和化验数据上测试了604,185个概念—结局配对，得到397个高风险概念和4,463个Bonferroni显著关联。多数关联在三个留出队列中无需重新校准即可复现，且前十概念在合并留出队列中的复现率高于文献检索得到的标记。

Glyph把临床基础模型的高维嵌入拆成稀疏、可命名的概念，让这些原本纠缠在一起的特征能像临床变量一样被检验。研究在41,628名患者的腹部CT、影像报告和化验数据上测试了604,185个概念—结局配对，得到397个高风险概念和4,463个Bonferroni显著关联。多数关联在三个留出队列中无需重新校准即可复现，且前十概念在合并留出队列中的复现率高于文献检索得到的标记。

IC-GNN把同一套脑图谱区域在每个人身上重新聚成离散的多尺度功能社区，再用这些社区指导图神经网络的连边筛选和区域权重分配。此前常用的群体级图谱会抹平个体间社区边界差异，而体素级个体化分区又需要较长扫描且难以跨人比较。在ABIDE、ADNI和UK Biobank合计超过3万名参与者上，IC-GNN与15种基线方法比较取得最高的平均AUROC和准确率，其中ABIDE的AUROC为75.41%、ADNI为86.46%、UK Biobank为60.62%。

IC-GNN把同一套脑图谱区域在每个人身上重新聚成离散的多尺度功能社区，再用这些社区指导图神经网络的连边筛选和区域权重分配。此前常用的群体级图谱会抹平个体间社区边界差异，而体素级个体化分区又需要较长扫描且难以跨人比较。在ABIDE、ADNI和UK Biobank合计超过3万名参与者上，IC-GNN与15种基线方法比较取得最高的平均AUROC和准确率，其中ABIDE的AUROC为75.41%、ADNI为86.46%、UK Biobank为60.62%。

在377万患者病历上预训练的65M参数临床基础模型FERMAT，把同一模型的两种用法放在同一批患者上比较：五年肾病、脂肪肝、糖尿病风险由患者表示预测更准，而预测同一天记录的诊断、处方和操作则由生成轨迹更准。

在377万患者病历上预训练的65M参数临床基础模型FERMAT，把同一模型的两种用法放在同一批患者上比较：五年肾病、脂肪肝、糖尿病风险由患者表示预测更准，而预测同一天记录的诊断、处方和操作则由生成轨迹更准。

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。

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。