谁的“老年病”风险高35倍，AI提前五年锁定？HealthFlux：首个人体世界模型，把“病来如山倒”算成数学公式丨含作者点评

如果有可能，让你在衰老的过程中得到一次预测未来风险的机会，你会选哪个方案？

A. 根据你过去的疾病记录，预测接下来最可能得什么病；

B. 在今天这个时间点，根据你当下的各项体检数据，算一个未来几年的风险分数；

C. 凭啥只能看这些，我偏要看连续的信息、实时变化以及随之变动的风险！

A和B倒不是说没用，而是好像把人固定在了“过去”或者“当下”，忽略了我们后续可能存在的动态变化。而C这个方案，斯坦福大学应可钧团队与Tony Wyss-Coray实验室，正在试着做[1]。

Part1 HealthFlux，是啥

这个叫做HealthFlux的模型，看标题我们可以知道，它是一个“模拟人类健康潜在动态的世界模型（A world model simulates the latent dynamics of human health）”

……好。不急，先从不认识的词开始。

“世界模型”这个概念，如果你关注人工智能（AI）领域，之前可能听说过。在自动驾驶或机器人领域，世界模型的意思是：让AI在脑子里建立一套对物理世界的模拟认知。比如，一辆自动驾驶汽车还没开过去，它的算法就已经在实时推演：前面的行人下一步大概率会往左走还是往右走？路面有积水会不会打滑？

图注：自动驾驶汽车的轨迹预测

现在的HealthFlux有点类似：它试图把这种“在内部模拟世界如何变化”的思路，用来描述一个人的健康状态——根据不同时间点获得的临床记录、身体指标、分子信息和医学影像，推断这个人此刻处于怎样的健康状态，以及这个状态接下来可能如何变化。

要建立起这种模型，肯定需要极其庞大的真实生命数据

研究团队动用了英国生物样本库（UK Biobank）中超过50万人的长期追踪数据，包含了每个人数十年的真实就医与生命轨迹。

图注：HealthFlux整合了包括血液指标、生活方式、组学、全身/脑部MRI的5604动态特征和个体遗传基因等43项静态背景

OK，得到这么多数据之后，常规的方法是：要预测心梗，就挑一些相关的数据，建立心梗模型；要预测癌症，再换一套数据，造一个癌症模型。

研究团队没有这么做，他们采用的思路要更加系统：建模出“这个人”，再去预测这个人可能发生的事。

吸收完一个人的基线数据和长期病历后，模型会首先在内部凝聚出一个384维的连续健康潜在状态（Health State Embedding）。注意！这个状态本身没有任何特定疾病的标签。

作者强调，人的健康本身是一个无法被任何单一测量直接观察到的状态。我们平时看到的疾病诊断、血液检测、分子组学、MRI影像，其实只是从不同角度、不同时间点，对这个状态留下的“痕迹”。

图注：让384维健康状态与特定疾病的生物学向量相匹配，共享解码器便可持续推演出该疾病在未来的发病风险走势

有了这个整体的健康状态之后，预测疾病就变成了一个简单的“查询”动作。

想知道冠心病风险，就用冠心病对应的信息去读取当前的健康状态；想查阿尔茨海默症、糖尿病，甚至全因死亡风险，也不需要推翻重来，只要换一个对应的“问题”，去同一个健康状态里查询。

也就是说，HealthFlux不是在分别记住1010种疾病，疾病预测也不再是一个个彼此独立的问题，而是从同一个不断更新的健康状态中，查询不同的未来结局

但是……？

但问题在于，现实世界中哪来这么多完整的、全套的数据？有的人一年也未必体检一次，偶尔看病做的检查项目更是通常“缺胳膊少腿”，在这些时候，这个模型还能跑通吗？

实例一：如果我的两次记录之间，隔了好几年？

假设一个人2022年做了一次全面检查，之后一直没有记录，直到2026年因为就医，一次性产生了一批诊断信息。那么这四年漫长的空白期，他的健康状态去了哪里？

偷懒的方法是，没去医院就是没生病，我们直接默认他这四年都是健康状态。稍微严谨点，那就给这段时间标上一个大大的“数据空缺”。

而HealthFlux的研究团队这次又选了C：他们为此设置了两条相互配合的路径。

一条叫ODE-RSSM，负责连续时间中的状态演化。遇到这样的情况，模型会通过一个神经常微分方程（Neural ODE），在“后台”以极微小的时间步长在数学上进行连续积分演化，根据人类生理规律，默默模拟你身体每天微小的机能衰退与自然老化。

另一条是CT-RSSM，在你几年后因为一次疾病入院后，它负责迅速评估这次事件带来了多少“意外信息”，然后立刻对此前积累推演的健康状态进行大幅修正与重塑。

图注：HealthFlux的两条互补路径

不过，时间上的空白还不是唯一的麻烦。有的时候，某些数据从头到尾就没测过。

实例二：平时从来没测过蛋白质组和脑核磁，压根没有这些数据怎么办？

没关系，因为他们原本建立模型的UK Biobank的50万人里，本来也不是每个人都测了所有的项目。

HealthFlux在设计时就给每个特征都设计了一个可用性掩码（Availability Masks），用于区分哪些结果是“测了且正常”，哪些是“从没测过”。举例：我从没测过血压，和我的血压一直是正常的，是两件完全不同的事。

再者，人体不是由孤立的零件拼起来的，各个生物层面之间本就存在深度的关联。所以只用其他留存的信息，模型也能凭借底层的生物学网络“倒推”出一部分结果。

图注：研究人员故意隐去了8项重要的常规指标，模型从其他身体数据倒推出指标的水平。散点越集中在对角线上，代表预测越精准

实例三：如果这是个罕见病，模型以前根本没见过呢？

如果一种疾病发病率极低、临床数据极少，AI也凑不齐足够的病例来学习，还有办法吗？

有的。因为在HealthFlux内部，所有疾病也不是孤立的。研究团队为疾病建立了基于医学描述的语义表示，让不同疾病能够被映射到一个统一的疾病语义空间中。

遇到没见过的疾病，模型只需要把它投射到对应的位置去，新模型会自然找到它的“生物学邻居”。这之后，模型就能借用这些已知的“邻居”，去评估患者当前的患病风险了。

图注：左侧为凭借生物学关系预测没见过的疾病；中图为从单一群体（如男性、年轻人）训练，可平稳迁移至其他群体；右侧为同一基线出发，可模拟吃药与不吃药的未来走向

甚至还有惊喜：HealthFlux能模拟你从今天开始遵医嘱吃药vs坚持不吃药的不同走向。研究团队让模型模拟用药后生理指标以及后续疾病风险可能发生的变化，并将这些预测结果与已经发表的36项真实临床试验进行了比较。

数据中看到了……

看起来真的很厉害，那么验证下来效果如何呢？

No.1

优秀的预测能力

最直观的是，在全身1010种疾病和死亡风险的预测上，HealthFlux全面超过了目前已有的几种主流模型，平均准确率（AUROC）达到了惊人的0.832。

从人群来说，研究人员让模型挑出某种疾病风险最高的前1%群体，这群人未来5年内实际确诊该病的几率，比普通人群高出了7.4到35.5倍。甚至在患者真正踏入医院确诊前的一个月，模型对部分重疾的预警概率就已经飙升到了85%到98%。

图注：四位代表性患者在正式确诊前数月的发病概率演变轨迹

从具体疾病来说，在急性扁桃体炎、绝经期疾患、2型糖尿病和心力衰竭四个不同维度的范例里，模型预测的5年风险曲线和实际发病率几乎完美重合——甚至，每种病都表现出了自己不同的年龄爆发特征。

No.2

“病来如山倒”具象化

HealthFlux模型如此强调时间的连续性，这当然在使用过程中也体现了出来。

研究人员发现，一个人如果在半年内没有任何新确诊的疾病，他的健康状态在空间中仅以极低的速度随随自然衰老平稳漂移；而如果在半年内确诊了6种以上的疾病，他在潜在健康空间中的移动速度，会快超过4.4倍

图注：图e显示随着新确诊疾病数量增加，健康状态在空间中的漂移速率呈爆发式上升；图 f 表明即便在停止输入新数据的1到5年内，模型的预测性能依然坚挺

但如果这个预测只在有新诊断的时候才“刷新”肯定是不行的。

模型显示，在没有任何新就医事件的空白时间点查询健康状态，它的预测能力和刚发生时几乎一样好。哪怕研究人员人为制造出长达5年没有就诊记录的空白期，HealthFlux 依靠内部对生理流动的连续模拟，依然保持着高水平的判别力。

No.3

不同组学的“神同步”

总是分不清“蛋白组学”和“代谢组学”，不知道该相信谁？

在HealthFlux学习到的疾病风险世界里，它们看到的是几乎一样的疾病结构：分别只用一种组学数据，然后把两套结果放到一起，相关系数达到了0.856

它俩一个是基因表达的产物，一个是代谢通路的中间物，但它们反映出来的疾病关系，就像从两个不同的方向拍同一座大楼。

图注：图d为逐个去除模态后的预测能力变化，蛋白质组和代谢组引起的波动最大；图e横轴是仅用蛋白质组算出的疾病相似度，纵轴是仅用代谢组算出的相似度相关系数r = 0.856，两种组学对疾病关系的认知高度一致

但一致不等于重复。实验显示，去掉任何一种模态，预测都会变差。

蛋白质组和代谢组各自都有对方替代不了的信息，而且不同模态对不同疾病的贡献也不一样——血液生化对代谢和肾病的预测贡献最大，蛋白质组影响的疾病范围最广，脑MRI则提供了解剖学层面的独特信息

这就是所谓“全景模态”的优越之处了：不同维度的信号互相印证、互相补充，加在一起的效果比任何单一种的检查都要好。

作者点评

HealthFlux是首个全景模态人类健康世界模型，旨在让AI学习人体健康如何随时间演化。

从更长远的角度看，HealthFlux代表的是一条不同于传统疾病模型的医学AI路径：它把预测的对象从单个疾病换成了健康本身。一个持续更新的健康状态，可以吸收任何一种测量，也可以被任何一种疾病查询，并在临床诊断发生之前的数年就给出定量风险信号。

声明 -本文内容仅用于科普知识分享与抗衰资讯传递，不构成对任何产品、技术或观点的推荐、背书或功效证明。文内提及效果仅指成分特性，非疾病治疗功能。涉及健康、医疗、科技应用等相关内容仅供参考，医疗相关请寻求专业医疗机构并遵医嘱，本文不做任何医疗建议。如欲转载本文，请与本公众号联系授权与转载规范。

参考文献

[1]Wang, Z., Zhang, O., Wang, J., Jiang, Y., Ma, Z. C., Guo, M., Al Dajani, S., Eames, A., Moldakozhayev, A., Poganik, J. R., Moqri, M., Zhai, R., Isakova, A., Wu, Y., Yin, Z., Cong, Le, Zou, J., Snyder, M. P., Ruohola-Baker, H., … Ying, K. (2026). A world model simulates the latent dynamics of human health. https://doi.org/10.64898/2026.09.19.26363460

这里是只做最硬核续命学研究的TIMEPIE，专注“长寿科技”科普。日以继夜翻阅文献撰稿只为给你带来最新、最全前沿长寿资讯，欢迎评论区留下你的观点和疑惑；日更动力源自你的关注与分享，长寿路上与你并肩同行！