Hinton等科学家展望未来医学：从诊断疾病转向预测与改变健康轨迹

事件概述

近期在美国圣地亚哥举行的 Human Longevity 科学顾问委员会（SAB）会议上，来自人工智能、基因组学、衰老科学及临床医学等领域的顶尖科学家——包括“人工智能之父”杰弗里·辛顿（Geoffrey Hinton）、诺贝尔化学奖得主迈克尔·莱维特（Michael Levitt）、美国巴克衰老研究所总裁兼CEO埃里克·维尔丁（Eric Verdin）等，围绕“未来医学”的六大前沿方向进行了跨学科讨论。会议揭示了一个逐渐清晰的医学新框架：基因组→深度表型→连续数据→AI整合→风险预测→个体化干预→临床结果→持续学习。

核心信息

1. 医学范式转移：从“有没有病”到“疾病轨迹预测”

传统医学主要关注时间点上的疾病诊断，而未来医学更侧重于识别身体正在发生的生物学变化，并预测个体最可能走向的疾病轨迹。这意味着干预窗口前移，从治疗已发疾病转向形成过程中的识别与预防。

• 数据支撑：Human Longevity, Inc.对1000多名自认健康客户的筛查显示，约14%的人发现了需立即就医的重大潜在健康问题，约40%的人存在潜在疾病风险。影像筛查中，约2.5%的受检者发现了无症状的脑动脉瘤。

2. 风险预测的核心是行动闭环

预测并非终点，真正的精准预防需要形成“测量-预测-排序-干预-再测量-学习”的持续闭环。风险预测必须连接到具体的行动，即找到可改变的风险因素并实施干预，通过新数据观察结果并修正判断。

• 案例：安吉丽娜·朱莉通过基因检测发现BRCA1致病变异后采取预防性切除手术，成功排除了特定癌症风险，体现了预测指导行动的价值。

3. 基因组：从“一次性检测”到“终身基础设施”

基因组数据正经历角色转变，从传统的单次检测结果变为伴随个人长期使用、随医学知识进步不断更新解释的健康基础设施。遵循“一次采集、长期保存、持续重新解读”的原则。

• 成本与壁垒：国内医疗级全基因测序成本已大幅降低，但解读能力仍是壁垒。AI软件介入解读过程，其精准度依赖于长期跟踪数据的反馈训练，类似AlphaGo的训练逻辑。

4. 健康数据：从“年度快照”到“连续电影”

人体处于动态变化中，未来健康管理将记录基因、MRI、血液指标、心电、睡眠、步态等多维度数据，并在同一时间轴上分析，呈现动态健康轨迹。

• 多模态AI需求：杰弗里·辛顿指出，未来医疗AI不应仅处理文字，必须能直接处理原始的多模态信息（如MRI、声音、步态），以避免信息损失。罗达·奥（Rhoda Au）提出“数字就是新的血液”，强调长期保存原始数字健康数据的重要性，以便未来模型重新分析。

5. AI的新角色：发现人类尚未理解的生物学规律

AI在处理大规模、多模态、长期健康数据时，可能发现单一数据源难以识别的规律，从而产生新的医学知识形态。

• 应用实例：AI能快速从基因信息中识别乳糖不耐受特征或捕捉罕见遗传病的异常信号，这些往往是常规诊疗中易被忽略的细节。
• 注意事项：AI发现的规律需经过安全性、透明度、责任边界及临床验证，不能直接等同于医学结论。

6. 长寿科技：坚持“科学长寿”与安全边界

面对快速发展的衰老干预技术，必须坚持“科学长寿”原则，确保干预措施不会带来更大的健康风险。

• 安全警示：动物实验结果不能直接推导至人体。例如，静脉注射NAD+类产品曾导致死亡案例；干细胞疗法的安全性高度依赖制备工艺，非正规生产存在巨大风险。
• 研究方向：目前部分重编程研究开始探讨衰老过程的逆转可能性，免疫调节也被视为重要方向，但这些仍处于早期阶段，距离安全临床应用尚远。

值得关注

此次讨论勾勒出的“InformNet”（生命信息网络）时代，标志着医学从“看见疾病”走向“理解生命”。生命被视为复杂的信息网络，衰老是信息的丢失与失真，疾病则是网络异常。AI作为整合海量信息的关键工具，正推动医学从诊断当下走向预测未来，并尽可能改变健康轨迹。关于人类寿命上限，行业仍存在指数增长、自然上限（80多岁）或下降等多种预判，需以长期数据验证理论。