微软研究院播客推出医学特辑:Ava Amini、Eric Horvitz 与 Eric Topol 对谈 AI 如何改变诊断、生物学与预防
11 月 17 日,微软研究院的 AI 议题播客《The Shape of Things to Come》上线第三集《Can AI help build a healthier future?》(AI 能否帮助建设更健康的未来?),由微软研究院 Technical Fellow 兼公司副总裁 Doug Burger 主持,三位嘉宾分别是微软研究院首席研究经理(principal research manager)Ava Amini、微软首席科学官 Eric Horvitz,以及 Scripps Research 执行副总裁 Eric Topol 医生。11 月 18 日,微软研究院官方 X 账号 @MSFTResearch 发帖推介这一集,把「这些进展能否推动医学转向更早的干预与预防」作为开放问题抛出,并附上节目官网页面的观看与收听链接。
与预告式宣传不同,这一集的讨论直接落在三位嘉宾自己刚发表的工作上。节目页面的延伸阅读清单里,有 Horvitz 参与的序贯诊断(sequential diagnosis)研究——节目页将其列为 2026 年 10 月的 Science 出版物,Topol 在对谈中称它是「第一次证明可以同时做到准确率更高、成本更低」;有 Horvitz 与 Topol 同为署名作者的 BMJ Digital Health & AI「医学超级智能」框架论文;有 Amini 共同领导的 Project Ex Vivo;还有一篇 刊于 Nature 的免疫组(immunome)评论。
从「机器会智能吗」到「AI 能否带来更健康的未来」
《The Shape of Things to Come》是微软研究院 2026 年新开的播客系列。系列主页写明其目标:在技术专家、政策制定者、企业管理者等利益相关方之间放大共同理解,让 AI 转型成为净收益。3 月 23 日的第一集《Will machines ever be intelligent?》请来 Numenta 的 Subutai Ahmad 与微软研究院的 Nicolò Fusi,比较 transformer 架构与人脑;4 月 20 日的第二集《Can we AI our way to a more sustainable world?》与 Amy Luers、Ishai Menache 讨论数据中心排放与 AI 在电气化、材料、食物系统上的潜力。第三集转向医疗,节目页把核心问题表述为「有了 AI,医学的未来会是什么样?要让它发生,首先需要什么?」,并列出的对谈范围包括 AI 辅助医学诊断、医学影像、全患者模型(whole-patient model)、虚拟细胞(virtual cell)、生物基础模型在科学发现中的角色,以及为什么有前景的研究迟迟到不了患者手中。
节目页内嵌音频播放器,片尾说明节目同时发布在 YouTube 与主流播客平台。系列主页介绍,主持这档系列的 Burger 同时担任微软研究院全球实验室的 managing director,管理着超过 1,000 名研究人员与工程师;他在主页引言里说:「AI 将重塑未来,这一点如今已无疑问。它如何演化,取决于我们作出的研究选择。理解正在浮现的形态、以及我们该如何回应,很重要。」
机器学习、生物科学与临床照护的三种视角
Burger 在开场逐一介绍三位嘉宾。他介绍 Horvitz 同时拥有 PhD 与 MD 学位,「他的工作塑造了整个机器学习领域」;介绍 Topol 时给出两个数字——1,300 余篇同行评审论文、4 本著作——并称 Scripps Research 是「美国最大的非营利生物医学研究机构」;介绍 Amini 时称她是微软研究院与 Broad Institute 合作项目 Project Ex Vivo 的共同负责人,研究方向是 AI 与精准医疗的交叉。
系列主页补充了正式头衔:Topol 在 Scripps Research 创立并主持 Scripps Research Translational Institute,同时担任微软 AI 健康顾问;Amini 致力于用 AI 方法推进生物学研究,目标是实现改善人类健康的精准生物医药;Horvitz 作为微软首席科学官,主导聚焦 AI、生物科学与医疗的「科学、技术与社会」计划。
把 AI 放进医生的位置:序贯诊断基准
Horvitz 在对谈里描述了他们把诊断基准推进一步的方式:过去是把完整病例交给模型看准确率,他们改成把 AI「放进临床医生的位置」——只给主诉和少量病史,由系统自己决定问什么问题、开什么检查,在信息价值与检查成本之间权衡,并在不确定下决定何时给出结论性诊断。他把这类任务称作「医学认知」(medical cognition)层面的挑战。
据微软研究院出版物页面,这套模拟医师会诊团的系统在《新英格兰医学杂志》临床病理讨论(NEJM clinicopathological conference)病例上达到 83.2% 的诊断准确率,在 MIMIC-IV-ED 急诊病例上达到 80.3%,参与对照的全科医生分别只有 36.1% 与 46.8%;摘要同时写明,这些结果来自受控的基准环境。Topol 在对谈中补充说,这套系统的比较对象不只是医生,还包括多个前沿模型。Horvitz 自己补上限定:与人类全科医生的比较「必须按其表面值理解,有其局限」,这些结果展示的是「未来辅助临床医生的潜力」。
延伸阅读里的 BMJ 论文与两人直接相关:《Medical superintelligence: foundations and aspirations》由包括 Horvitz、Topol 在内的 14 位作者共同署名,节目页将其标注为 2026 年 10 月发表。论文提出六个相互依赖的「医学智能」维度,把「医学超级智能」定义为在覆盖全诊疗链条的整合医学推理上超越当今最强的人类主导医疗体系,并强调实现这一点靠的不是孤立任务上的超人表现,而是与临床工作流的整合和以结局为导向的验证。
证据已就绪、临床没接上:影像 AI 的悖论
Topol 把话锋对准行业的注意力分配:大家都在追生成式 AI 这个「闪亮的新对象」,却错过了证据更充分的方向——深度学习对医学影像的解读,视网膜、胸片、心电图,每一类都适用。他列举的证据已经躺在期刊里:一项超过 10 万名女性参与的乳房 X 光检查随机试验,以及 44 项结肠镜随机试验。他的原话是:「我们仍在原地空转,还没让这些已经完成的工作去影响患者照护。我还在等那件事发生,说令人苦恼都不足以形容。」
Burger 追问社区该做什么不同的事,Topol 的回答是缺的「就是落地(implementation)」:结果都在漂亮的期刊里过了同行评审,却没有用进临床;医疗界对变革保守,医院利润率低不愿投入,而且「医生并没有大声要求这些进展,患者也没有」。他补了一个具体场景:接受乳房 X 光检查的美国女性几乎拿不到最先进的 AI 判读,「你可能会想,她们早该起来反抗了」。对谈中他还引用约翰斯·霍普金斯大学(Johns Hopkins)的估计,称诊断错误每年造成约 80 万例残疾与死亡。
照护端的变化已经在发生。Topol 说,在诊室里自动生成病历的「环境式记录」(ambient scribes)正在美国快速铺开,医生省下键盘时间,而生成的数字化记录比沿用数十年的病历更准确;与此同时,因为医生时间被挤压,患者转向聊天机器人,并发现它们「比人类更有共情」——这一点他自己「从未预料到」。他希望这些工具把时间还给医生,修复几十年来被侵蚀的医患关系。Burger 顺势给出自己的例子:他能说出 5~10 岁时家庭医生的名字,却说不出最近五位医生叫什么。
算力在降价,瓶颈在数据:虚拟细胞与全患者模型
Amini 的视角在生物科学一侧。她描述生物学是天然多尺度的——从分子到细胞、组织、器官系统再到整体,跨尺度整合信息本身就是机器学习里罕见的难题;真正的考验是把模型部署到什么问题上、如何被实验科学家采用并整合进工作流。她给出的答案是「活性优先」(activity-first)的数据:不是蛋白质的静态结构,而是把蛋白序列映射到功能的规模化数据;在细胞层面,测量不同状态对扰动和药物的真实功能响应。Project Ex Vivo 正在做其中一片:为癌细胞状态建立「状态—功能映射」(state-to-function maps),测量对免疫疗法或靶向疗法的耐药等功能结局。
虚拟细胞是三人交换分歧的地方。Topol 说,做一个能执行任意扰动并预测响应的虚拟细胞还很遥远;在人体层面更弱——多基因风险评分(polygenic risk score)能告诉你有心脏病风险,「却说不清是 50 岁还是 90 岁」,而现有模型靠电子健康记录加生活方式数据已开始给出时间维度,「等到有了又深又长、规模化的数据再看」。他的判断是:更成熟的全患者模型会先于虚拟细胞到来。Amini 说得更直接:应当「从对虚拟细胞的某种过度炒作中走开」,转向免疫组、衰老这类系统级表型。
成本曲线也进入讨论。Burger 给出他所在领域的观察:固定规模模型的服务成本每年下降 4~10 倍,他估计未来五年跑这类实验的算力成本还会再降 1,000~10,000 倍。Amini 的回应是用计算换实验:用计算模拟(in silico)预测实验结果,把湿实验室的资金、试剂和人力集中在模型筛出的高置信方向上,但她强调「现实世界永远是瓶颈」。Horvitz 补上的是方向:把 AI 反过来用,计算「价值最大的实验在哪里」——「告诉我你的资源约束,我来帮你算最可能出现惊喜结果的实验」。Topol 则把最硬的约束挑明:「AlphaFold 之所以成为标志性贡献,是因为 Protein Data Bank(蛋白质结构数据库)的数据就在那里。现在,生命科学和医学没有任何一个那样的数据集。」他还提到,刚有数十亿美元被投入生命科学数据集建设。
预防的经济学,与三位嘉宾的十年判断
官方帖文以问句收尾,而对谈内部先撞上的是经济学。Burger 转述他在一场 AI 与医学会议上听到的观点:医疗的经济模式与预防医学根本相悖,系统没有为预防投资的激励。Topol 的回应是「欢迎来到美国」——别处存在让人群保持健康的激励,「巨大的经济,更不用提健康负担层面的激励」,而美国按年投保的结构让付款方只有短期利益;转变可能先发生在 Kaiser 这类一体化照护机构。
具体到预防的抓手,Topol 指向免疫系统:人类缺失的一层就是免疫组(immunome,对个体免疫系统健康状态的全景刻画)。他说团队「当天」在 Nature 发表了相关评论——节目页脚注注明,这篇《Could measuring immune health reshape medical care?》刊出于 10 月 27 日;按此推算,这期节目录制于 11 月 17 日上线前约三周内。他列举的进展包括对胸腺的 AI 影像分析——过去认为胸腺在 20 岁前后退化失能,如今知道一些 80 岁的人胸腺依然完好,且这类分析能预测癌症免疫治疗响应——以及用蛋白质组「免疫时钟」比较免疫系统年龄与实际年龄。这篇 Nature 文章本身论证的正是同一件事:临床没有常规手段衡量一个人的免疫系统健康程度,现有检测只能提供碎片化图像,研究者应当系统性地构建免疫组。
Horvitz 把问题拉到衰老的底层机制:为什么 LRRK2 突变(与帕金森病相关)要到六七十岁才显现?DNA 甲基化维持的细胞「开关」如何随年龄失稳?他的说法是:「如果我们破解衰老的基础机制,就能一次性解锁一批疾病的预防方法。」
三位嘉宾的收尾判断给出了这期节目的落点。Amini 说,模型本质上是「加速和改善干预的工具」,她进入这个领域是因为计算机科学是理解与设计生物学的抽象系统。Horvitz 说:「十年后,公众会把 AI 认作医疗突破的功臣——包括把一批致命癌症转成慢性病,以及在延缓阿尔茨海默病发病与进展上取得的突破——这些会被明确称作 AI 突破。」Topol 的版本更进一步:「我们将有能力预防今天无法预防的阿尔茨海默病和癌症……我们最终会拥有一套与今天完全无法互相辨认的医疗实践。」
参考链接
- @MSFTResearch 推介帖文(2026 年 11 月 18 日)
- Can AI help build a healthier future? — Microsoft Research(节目页与全文实录)
- The Shape of Things to Come — Microsoft Research(系列主页)
- Sequential Diagnosis with Language Models — Microsoft Research(出版物页)
- Medical superintelligence: foundations and aspirations — BMJ Digital Health & AI
- Could measuring immune health reshape medical care? — Nature
- Project Ex Vivo — Microsoft Research(项目主页)