（来源：智通财经）
智通财经APP获悉，近期，斯坦福大学联合哈佛、华盛顿大学等机构推出全球首个泛模态人类健康世界模型 HealthFlux，被业内普遍视作医疗 AI 领域下一个 “AlphaFold 时刻” 的标志性信号。这场从 “单病种预测” 迈向 “全健康状态推演” 的产业革命，戳中了行业长久以来的核心痛点：医学 AI 能够识别的疾病越来越多，却始终未能建立对 “人” 的整体理解。
关键或许不在算法，而在模型所依赖的数据形态。人的健康是以 “按项记录” 的方式被保存下来的：血糖、血脂、某一部位的影像、某一次诊断 —— 每一项数据的产生，都是为了回答一个具体问题，彼此之间并不连通。它们的出现时点也疏密不均，有的指标数月检测一次，有的影像数年才留下一张。而在没有记录的时段里，身体并未停止变化。
真正决定一个人未来疾病风险的整体状态始终存在，却很难被直接观测。现有模型大多只能沿着这些碎片推进，或利用某一时点的数据，或针对一个预先定义的疾病单独建模。这类模型可以把特定疾病的预测做得足够准确，却很难回答一个更基础的问题 —— 这个人整体处于什么状态，这个状态又在向何处演变。
斯坦福大学研究团队牵头的这项研究，试图将那个很难被直接观测的对象转化为可计算的状态。他们开发的 HealthFlux，试图学习一个统一的、隐含的人体健康状态，并建模这一状态如何随着年龄、疾病和生物学变化持续演化。
（相关论文发表在预印本网站medRxiv ）
当模型能够极度准确地去预测健康疾病风险，能够极度准确地预测给药之后的变化，并且能够很好地泛化的时候，就代表模型可能某种程度上理解健康。这是该研究作者给出的判断，也是研究所说的下一个 “AlphaFold 时刻”。它把 “理解” 从一种哲学追问变成了一个可检验的标准：预测得准、给药之后的变化能算出来、换一个场景还能用。
这个判断提出来之后，问题就不再只是 “能不能预测某一种病”，而是 “有没有一个足够通用的底座，能让这种预测能力迁移到它没有见过的任务上”。在影像这个尺度上，德适-B(02526.HK)给出的解法是两层 —— 先用通用基座把不同来源的影像装进同一套特征体系，再通过数据平台把临床应用中的反馈接回训练。
破局影像数据碎片化：跨模态基座重构研发效率体系
影像面临的是另一类碎片化。CT 反映组织对 X 射线的吸收差异，MRI 来自磁场下氢质子的信号，超声依赖声波反射，染色体核型则来自显微成像下的形态与带型。成像原理不同，所生成的特征也各自成体系。它们从不同维度记录身体，只是长期以来，缺一个能把这些维度装进同一套表示的模型。每向一个新模态或新病种延伸，数据、标注、训练、评测、部署都要重走一遍，此前积累的能力难以复用，成本始终压不下来。
德适搭建的通用医学影像基座模型 iMedImage 要解决的是这种复用问题。它不针对某一种影像单独训练，而是通过跨模态预训练，让模型形成一套共用的特征表示，此后的专科任务都从这套特征体系出发。这套特征体系不绑定任何一种疾病，也不局限于任何一种模态，它描述的是影像本身的共性结构。专科任务在它之上做判别，不必从零开始学 “怎么看影像”。
iMedImage 以 1040 亿参数架构为核心，基于 800 万医学影像数据完成预训练，覆盖 19 种影像模态、26 个临床专科与 90% 以上的影像诊断场景，支持 400 余种疾病的模型开发。
这个体量带来的直接变化，落在专病模型的开发上。在 iMedImage 之上，研发一个垂直专病模型最低可使用约 200 份影像数据，开发周期为 2 至 3 个月。相较传统 “一病一模型” 的开发模式，标注数据的需求量降至原来的二百分之一，开发周期缩短至十二分之一，开发成本与算力支出均降至十分之一。原本只有大型三甲医院和头部 AI 公司才做得起的专病模型开发，中小型医疗机构也开始能够参与。
截至目前，德适已与 99 家医院达成合作，累计落地 158 个专病模型项目，覆盖 61 个疾病方向。
卡位世界模型赛道：影像端雏形已率先落地
德适在影像上的研究，正在从对当下状态的判别，延伸到对未来风险的判断。
以 iMedImage 为基础、结合影像组学特征的胸腺研究，在 323 例胸腺上皮肿瘤中以术前 CT 预测分期，其中 258 例用于训练、65 例用于内部测试；模型区分早期与进展期两组的测试准确率为 95.38%、AUC 为 0.9328，成果于 2026 年 7 月发表于《European Journal of Radiology Open》—— 原本需要术后病理才能获得的判断，被提前到了术前。德适中期业绩路演信息显示，公司开展的 673 例乳腺癌复发预测研究，把病理切片、超声与临床信息纳入同一框架，优化后的模型在五折交叉验证中 C-index 为 0.76。
胸腺研究在学习 “影像对应怎样的疾病状态”，乳腺癌研究在探索 “当前特征指向怎样的未来风险”。两项研究恰好覆盖了临床决策的两个时点：治疗开始之前，与治疗结束之后。它们指向同一种能力 —— 把影像里尚未被读出的信息，变成可以被使用的判断依据。
这些判断要能被持续检验，依托的是德适自研的 iMedLoop 平台。平台已汇聚超过 300 名专业标注人员与 2895 万条影像数据，把数据、工具、模型与应用整合起来，形成 “数据生产 — 模型训练 — 临床应用 — 反馈迭代” 的循环：临床使用中产生的反馈回到模型，推动下一轮迭代。
从分子结构到细胞状态，再到影像与个体健康，生物学正在经历一个共同的变化：过去依赖实验去观察的对象，正在成为可以被建模、被预测、被反复推演的系统。AlphaFold 让蛋白质结构先走了一步，虚拟细胞与虚拟组织在随后的尺度上接续；医学影像处在这条链的中段，它面对的是身体在宏观层面的状态，同样在从 “被阅片” 走向 “被计算”。
沿着这条路径，还可以看得更远一步：医学世界模型的雏形。
世界模型学习的是环境如何变化，以及行动怎样影响后续状态；放到医学里，可以把它理解为一个用于研究疾病的计算环境 —— 根据患者当下的状态，推演病程如何发展，进而探索不同干预可能带来什么结果。诊断提供当下状态，随访检验此前预测，真实结果推动模型改进；如果这些环节能够在医生参与下连接起来，就可能形成 “观察、预测、模拟、真实反馈” 的持续循环。未来若走到那一步，更多难以在现实中反复试验的问题，就有机会先在计算中探索。
从这个角度看，德适已经展示的影像理解、风险预测与多专科研发能力，正在构成医学世界模型雏形里的关键一块。它作为 AI for Science 标的的稀缺性，或许就藏在这里 —— 真正的价值或许不在某个模型能走多远，而在于医生提出下一个问题时，已有的积累能不能被重新组织起来。
