2026-09-01
复旦与港科大把医学问题编成感知、演化、生成算子图，用桥连接尺度，AI只负责提议，独立证据决定算子的留下或退役。
医学问题其实有三层：现在是什么状态、按现状接下来会怎样、换一种干预又会怎样。识别模型停在第一层。纵向预测模型能学「病历里下一步会出现什么」，但病历混合了病情变化和医疗过程本身，条件在治疗标签上也不等于同一个病人换一种药会发生什么。机制模型给出变量和方程，通常只覆盖选定尺度，参数难辨识，跨尺度一拼就失效。
复旦数字医学中心和港科大要的是一套共同语言，不是再做一个端到端黑盒：把可执行部件按科学角色声明清楚，让不同数学形式和证据来源能回答同一个医学问题，并且改错时能改到局部。
生命被写成部分可观测的随机受控动力系统。任务相关状态在干预、个体情境和未解释噪声下演化，观测则是成像、组学、生理信号或病历，并带采集协议。三个算子对应三件事：
贝叶斯滤波把三者接起来：Evolution 给转移先验，Generation 给似然，Perception 做后验更新。病人在变，和关于病人的知识在变，被分开写。
跨尺度、跨变量的连接不靠隐式张量对齐，而靠 Bridge 算子，并要求保留接收端需要的含义、单位、时间和不确定性。向上和向下的尺度桥不假定互为逆。每个算子和桥带一份科学合同：角色、输入输出、定义域、证据和失效条件。针对一个具体问题，只激活最小的 Operator Graph。肥厚型心肌病药物反应的例子把基线超声状态、药代、细胞张力、器官血流动力学和超声生成串成一张可证伪的图，用来预测指定随访点的 LVOT 梯度和 LVEF 变化，而不是先造一个完整心脏数字孪生。
修订是版本化的。AI 合作者可以提议改状态、算子、桥或图结构；留下、收窄或退役由独立证据门控：留出样本、扰动实验、前瞻验证和真实世界数据。提议用过的数据不能再当最终确认。
这是一篇视角论文，没有新的基准数字，也没有实现一个可跑的全身体模型。正文给出的是角色定义、图编译规则、HCM 药物反应的最小图，以及一条证据门控的自演化回路。应用节讨论个性化治疗设计、体外试验前的候选筛选、以及用持续观测校正个体轨迹，这些都是如果图被验证之后才成立的用法。
作者把「医学人工超级智能」写成这种算子库长期积累的可能后果，并反复限定：眼前目标是一个声明了终点、时域和干预的最小图，不是一个人的完整数字副本。
对做医学 AI 和数字孪生的人，这篇文章的用处是把「预测下一条病历」和「模拟干预下的生物过程」拆开，并要求每个模块写出自己在主张什么。P-E-G 加桥的分解让方程、统计模型和神经网络可以担任同一角色，比较的是合同和证据，不是架构口号。证据门控也直接针对 agent 自动改模型的风险：模型可以提议，不能自我封神。
现在还不能当软件用。没有开源算子库，没有跨中心基准，HCM 例子也写明引用研究只分别支持细胞到器官模拟、群体暴露-反应和试验均值效应，并不验证它们在个体反应图上的拼接。
作为框架文，最大的空缺就是实验。文中没有报告任何一个 Operator Graph 在独立队列上的校准或干预预测数字。桥在组合之后是否仍然有效，作者自己列为必须另测的事项，因为测量误差、生物变异和参数不确定会在传播中纠缠。干预反应声明需要干预证据或带显式因果识别策略的观察证据，不能靠相关预测顶替。国际协作、联邦验证和版本回滚被写成基础设施需求，说明当前还不存在可复用的登记处。把超级智能写进摘要，和「从可测中间状态的有界问题做起」的正文路径之间，跨度仍然很大。