博文
医疗 AI 的下一步：从报告解读到生命轨迹推演——医学世界模型 SteeraMed 的方法论探索
||
第一类是识别与预测，例如医学影像识别、辅助诊断、风险评分、体检报告解读。
第二类是生成与解释，例如病历摘要、报告说明、医学问答、知识检索和临床文本生成。
这些能力显著提升了医学信息处理效率，也降低了部分知识理解门槛。但如果把问题放到慢病管理、衰老干预和长寿医学中，仅仅“读懂报告”仍然不够。
更关键的问题是：
一个个体的生命状态，会如何随着时间、生活方式、药物、营养、运动、睡眠、心理压力和环境暴露而变化？
换句话说，慢病和衰老不是静态标签，而是动态轨迹。
因此，医疗 AI 的下一步，可能不是继续停留在“解释一份报告”，而是逐步走向生命轨迹推演。
一、为什么报告解读型 AI 仍然不够？今天，一个个体可能拥有越来越多的健康数据：体检报告、基因检测、DNA 甲基化检测、代谢组、蛋白组、炎症指标、睡眠数据、运动数据、症状记录和生活方式信息。
这些数据单独看都有意义，但真正困难的是综合判断：
这些指标之间有什么关系？
哪些变化是主要矛盾，哪些只是伴随现象？
哪些状态偏离可能具有长期意义？
哪些干预动作可能改变状态？
干预之后应该观察哪些反馈？
反馈回来以后，下一轮判断如何修正？
哪些推演有证据支持，哪些仍然只是研究假设？
这类问题本质上不是简单的问答问题，而是一个动态系统问题。
以衰老为例，一个人的衰老状态可能同时受到代谢、炎症、免疫、睡眠、压力、营养、运动、药物、环境暴露、遗传背景和表观遗传状态等多重因素影响。
同样是 50 岁，有的人主要问题可能是代谢异常，有的人主要是慢性炎症，有的人主要是睡眠和压力，有的人则可能在肌肉、心血管、肝脏或免疫系统中出现提前偏离。
如果只给出一句“生物学年龄偏高”，或者只生成一套标准化建议，很难满足真正的长寿医学需求。
更理想的路径应该是：
看清个体状态，组织候选行动，说明机制证据，设计反馈指标，再通过复测和随访持续校准。
这正是医学世界模型值得讨论的原因。
二、什么是医学世界模型？“世界模型”是 AI 领域的重要概念。它并不只是对当前输入进行分类或回答，而是试图建立一个关于系统如何变化的内部模型。
在强化学习和智能体研究中，世界模型通常用于表示环境状态、行动及其后果，使智能体能够在内部模拟未来情境，并据此规划行动。
放到医学和生命科学中，医学世界模型需要处理的对象更加复杂。一个简化框架可以包括五类核心要素：
State｜状态：个体当前的生物学、临床和功能状态；
Action｜行动：可能采取的生活方式、营养、运动、药物、心理或其他健康管理动作；
Transition｜转移：采取行动后，状态可能如何变化；
Evidence｜证据：机制研究、临床文献、生物标志物和真实世界观察；
Feedback｜反馈：复测结果、症状变化、功能变化、依从性和不良反应。
这与传统风险预测模型不同。
传统模型更常回答：“现在属于哪一类？”“未来风险高不高？”
医学世界模型更关心：
如果采取某个行动，状态可能如何改变？为什么可能这样改变？应该观察什么？反馈回来以后如何修正？
对于慢病管理和长寿医学来说，这种动态视角尤其重要。因为衰老不是单一疾病，慢病也往往不是单一通路，而是多系统、多因素、长期演化的结果。
三、从 steerable 世界模型框架到 SteeraMed Core基于上述思路，深度甲基首先提出并发布了 steerable 世界模型框架。
在预印本 World Models for Biomedicine: A Steerability Framework 中，我们尝试讨论一个问题：
生命状态是否只能被动预测？还是可以围绕可观测状态、可执行行动、转移假设、证据链和反馈过程，进行“可驾驭”的建模？
预印本 DOI / 网址：
https://doi.org/10.20944/preprints202605.0366.v1
在这一框架基础上，2026 年 5 月 25 日，深度甲基又在预印本平台发布了 SteeraMed: A Biomedical World Model for N-of-1 Intervention Reasoning Across Chronic Diseases and Aging。
该预印本进一步把 steerable biomedical world model 的思路落实到慢病与衰老干预场景中的早期工具形态，也就是第一版 SteeraMed Core。
预印本网址：
https://www.preprints.org/manuscript/202605.1578
需要强调的是，SteeraMed Core 不是成熟临床系统，也不是替代医生的工具。它更适合作为科研、临床合作和健康管理工具探索中的早期原型。
它试图解决的核心问题是：
四、SteeraMed Core 试图解决的问题如何把复杂个体状态、候选干预动作、机制证据和随访反馈，整理成一个可以计算、可以复盘、可以持续改进的结构？
SteeraMed Core 第一版并不是要让 AI 直接给出一个“抗衰方案”或“治疗方案”。
它更像是在搭建一个结构化推演框架。
例如，在一个长寿医学场景中，研究者或专业人员可能需要回答：
当前状态有哪些可观察偏离？
这些偏离涉及哪些器官系统、分子通路或功能模块？
候选行动是什么？
这些行动背后的机制证据是什么？
哪些指标可以作为反馈？
复测以后，如何判断方向是否正确？
如果这些问题只靠自然语言问答，容易变成“看起来很聪明，但难以追踪”的建议。
医学世界模型更强调结构化和可审计性：
每一个状态要有来源；
每一个行动要有机制假设；
每一个转移要保留不确定性；
每一个证据要能追溯；
每一次反馈都要能进入下一轮校准。
这里所谓“可驾驭”，并不是说 AI 可以随意控制人体，而是指我们希望把复杂生命过程中的状态、行动、证据和反馈组织成一个更可观察、更可解释、更可迭代的系统。
五、SEMO：从网络医学到候选干预推演SteeraMed Core 并不是一个凭空出现的概念演示。它的重要底层支点之一，是深度甲基长期积累的 SEMO 算法。
SEMO 可以理解为 Selective Remodeling of Protein Networks by Chemicals，即通过化合物对蛋白质网络进行选择性重塑的计算框架。
它试图回答的是一个具体问题：
在一个人的复杂生物网络中，哪里存在可测量的状态偏离？哪些候选化合物、营养素、药物或生活方式动作，可能通过网络重塑推动状态向更好的方向变化？
这与普通推荐系统不同。
普通推荐系统可能根据经验规则告诉用户“可以尝试某种营养素”或“应该多运动”。SEMO 更关注的是：
个体组学信号中的网络偏离；
候选动作对应的靶点网络；
个体状态与候选干预之间的机制连接；
干预假设如何被反馈指标追踪。
相关方法框架已经形成发明专利授权。
因此，SEMO 和 SteeraMed Core 的关系可以简单理解为：
六、为什么这对长寿科技重要？SEMO 提供“网络重塑与候选干预推演”的算法支点；SteeraMed Core 则把这种能力放进“状态—行动—转移—证据—反馈”的医学世界模型框架中。
长寿科技不能只停留在“测一个年龄”。
如果检测之后无法解释状态偏离；解释之后无法组织候选行动；行动之后无法设计反馈；反馈之后无法进入下一轮校准，那么检测就很容易变成一次性消费。
未来真正有价值的长寿医学基础设施，可能至少需要四层能力：
持续的数据入口：DNA 甲基化、多组学、体检、可穿戴设备、症状、生活方式和随访数据；
可解释的状态表示：把复杂数据组织成器官、通路、功能和风险线索；
可推演的行动空间：把营养、运动、药物、心理、睡眠、生活方式等动作结构化；
可反馈的真实世界闭环：通过复测和随访不断修正模型。
从这个角度看，医学世界模型不是一个单一工具，也不只是一个界面，而更像是一套长期演化的基础设施。
它需要检测、临床、科研、算法、伦理和真实世界数据共同建设。
七、三个早期演示场景为了避免医学世界模型只停留在概念层面，SteeraMed Core 第一版选择了几个可演示场景。
1. 抑郁症 Patient View抑郁症并不只是“情绪低落”。它可能涉及睡眠、压力、炎症、代谢、神经内分泌、生活事件、药物反应、社会支持和个体生物学差异。
SteeraMed Core demo 尝试展示：如何把量表、睡眠、压力、炎症、代谢状态和随访反馈组织成可计算的观察路径。
2. 抗衰老 Patient View在长寿医学中，个体差异非常明显。
抗衰老 Patient View 试图把 DNA 甲基化、Aging Hallmarks、器官系统线索、代谢免疫状态和生活方式因素整合到同一个视图中，帮助识别候选驾驭点和复测指标。
3. 类风湿关节炎 Scientist View类风湿关节炎是典型的慢性炎症和免疫相关疾病，涉及免疫细胞、炎症因子、关节组织损伤、药物反应和长期疾病活动度。
Scientist View 更偏向科研和临床研究团队，展示如何把疾病状态、免疫炎症模块、候选靶点、证据链和反馈指标组织成可审计的研究结构。
八、需要保持谨慎医学世界模型听起来很宏大，但真正决定它能走多远的，不是概念，而是数据、验证和专业合作。
没有连续真实世界数据，没有前瞻性观察，没有临床和科研团队的长期参与，世界模型就只能停留在理论框架。
因此，SteeraMed Core 第一版仍然是 MVP 工具，主要用于科研、临床合作和健康管理工具探索，用于组织证据、生成假设和追踪反馈。
它不替代医生判断，不承诺个体疗效，也不等同于已经完成临床验证的医疗器械、诊断系统或治疗决策系统。
但我认为，这仍然是一个值得迈出的方向。
因为医疗 AI 如果要真正进入慢病管理和长寿医学，就不能只停留在静态报告上。它必须开始理解变化。
疾病会变化，衰老会变化，生活方式会变化，干预反应会变化，个体状态也会随着时间不断变化。
从这个意义上说，医疗 AI 的下一步，可能不是更会“读报告”，而是更会帮助我们组织和推演一条不断变化的生命轨迹。
关于深度甲基（DeepOMe）深度甲基（DeepOMe）从 DNA 甲基化出发，构建人体衰老的 AI 世界模型，推动长寿科技从静态检测走向动态推演。
深度甲基以 DNA 甲基化等表观遗传信息为生命状态入口，探索人体衰老相关分子状态、器官系统风险线索和长期健康轨迹的多维建模。
在 AI 长寿科技方向，深度甲基以 SEMO 专利算法、SteeraMed Core、DeepKang 长寿医学智能体平台和根因博士 AI 智能体工具为核心，探索 AI 根因医学、千人千方个体化健康管理路径生成、健康管理资源整合和长期反馈闭环建设。
相关入口：
深度甲基（DeepOMe）官网：https://deepome.com
Steerable World 项目网站：https://steerable.world
SteeraMed 项目网站：https://SteeraMed.com
[1] Ha, D., & Schmidhuber, J. World Models. arXiv, 2018.
https://arxiv.org/abs/1803.10122
会议版本：Recurrent World Models Facilitate Policy Evolution. NeurIPS, 2018.
https://papers.nips.cc/paper/7512-recurrent-world-models-facilitate-policy-evolution
[2] LeCun, Y. A Path Towards Autonomous Machine Intelligence. OpenReview, 2022.
https://openreview.net/forum?id=BZ5a1r-kVsf
[3] Moor, M., Banerjee, O., Abad, Z. S. H., Krumholz, H. M., Leskovec, J., Topol, E. J., & Rajpurkar, P. Foundation models for generalist medical artificial intelligence. Nature, 2023, 616, 259–265.
https://doi.org/10.1038/s41586-023-05881-4
[4] Katsoulakis, E., Wang, Q., Wu, H., Shahriyari, L., Fletcher, R., Liu, J., Achenie, L., Liu, H. H., Jackson, P., Xiao, Y., Syeda-Mahmood, T., & Deng, J. Digital twins for health: a scoping review. npj Digital Medicine, 2024, 7, 77.
https://doi.org/10.1038/s41746-024-01073-0
[5] Xiong, J. World Models for Biomedicine: A Steerability Framework. Preprints.org, 2026.
https://doi.org/10.20944/preprints202605.0366.v1
[6] Xiong, J. SteeraMed: A Biomedical World Model for N-of-1 Intervention Reasoning Across Chronic Diseases and Aging. Preprints.org, 2026.
https://www.preprints.org/manuscript/202605.1578
[7] Xiong, J. Utilizing Pre-trained Network Medicine Models for Generating Biomarkers, Targets, Re-purposing Drugs, and Personalized Therapeutic Regimes: COVID-19 Applications. bioRxiv, 2023.
https://doi.org/10.1101/2023.02.21.527754
[8] 基于预训练模型生成化合物干预方案的方法、系统及其应用，中国发明专利，授权公告号：CN117766054B。
https://patentscope.wipo.int/search/zh/detail.jsf?docId=CN426834826
https://blog.sciencenet.cn/blog-508476-1537098.html
上一篇：抗衰老研究为什么不能只盯单一靶点？
