＃通過生成變壓器學習人類疾病的自然史
在迅速發展的醫療保健領域，了解人類疾病的發展對於有效的治療和預防策略至關重要。一項題為“通過生成變壓器學習人類疾病的自然史”的開創性研究，於2025年9月17日在 *自然 *中發表，引入了一種創新的方法，以使用高級人工智能（AI）技術來建模疾病進展。
＃＃ 介紹
該研究介紹了Delphi-200M，這是一種生成預訓練的變壓器（GPT）模型，旨在根據個人的病史預測1000多種疾病的發生率。通過分析廣泛的數據集，Delphi-200萬用疾病軌跡，合併症和潛在的未來健康結果提供了見解。
##方法論
###數據收集
研究人員利用來自英國生物庫的數據，包括40萬參與者的健康記錄。這個全面的數據集為培訓Delphi-200萬型號提供了強大的基礎。
###模型開發
通過修改GPT體系結構以適應醫療數據的複雜性來開發Delphi-200M。該模型經過訓練，以了解隨著時間的流逝，各種疾病的進展和相互依賴性。
＃＃＃ 驗證
為了確保模型的準確性和概括性，使用來自190萬丹麥人的外部數據來驗證Delphi-200M。值得注意的是，該驗證是在不改變模型參數的情況下實現的，證明了模型的魯棒性和適應性。
##關鍵發現
###疾病率預測
Delphi-200準確地預測了1000多種疾病的發生率，這是每個人過去疾病史的條件。它的性能與現有的單疾病模型相當，突出了其在多疾病預測中的有效性。
###合成健康軌跡
Delphi-200m的生成性質使得合成未來健康軌蹟的取樣。該能力可提供長達20年潛在疾病負擔的有意義的估計，為長期醫療計劃提供寶貴的見解。
###可解釋的AI見解
該研究採用可解釋的AI方法來解釋Delphi-2m的預測。這些見解揭示了疾病類別內外的一系列合併症及其對未來健康的時間依賴性後果。但是，該分析還強調了從培訓數據中學到的偏見，強調了數據質量在AI應用程序中的重要性。
##對醫療保健的影響
###個性化藥物
Delphi-200萬分光度預測個體疾病軌蹟的能力可以為個性化的治療計劃提供信息，從而使醫療保健提供者能夠根據患者的獨特健康病史調整干預措施，並預測未來的風險。
###公共衛生計劃
通過預測潛在的疾病負擔，Delphi-200M可以協助公共衛生計劃，使資源分配以及製定預防策略以應對新興的健康挑戰。
###精密醫學方法
該模型對疾病事件之間的時間依賴性的見解可以增強精確的醫學方法，從而導致更有效和有針對性的醫療干預措施。
##限制和未來方向
###數據偏見
該研究承認，培訓數據中的偏見會影響模型的預測。未來的研究應著重於減輕這些偏見，以提高模型的準確性和公平性。
###模型概括
雖然Delphi-200M在不同數據集中表現出魯棒性，但需要進一步驗證不同人群以確保其在各種醫療保健環境中的普遍性和適用性。
＃＃ 結論
這項研究“學習具有生成變壓器的人類疾病的自然史”代表了AI在醫療保健中的應用方面的重大進步。通過利用生成變壓器，Delphi-200M為理解和預測疾病進展提供了強大的工具，並有可能徹底改變個性化醫學和公共衛生計劃。
有關更多信息，您可以在此處訪問全文：
