王晟谈AI与生命科学:多模态模型如何理解疾病、重塑药物研发
一个患者的病理切片、CT、基因组和蛋白质组数据,能不能被 AI 放在一起分析?如果模型不仅能识别疾病,还能理解一个人的生物学状态,甚至预测疾病接下来会如何发展,医学研究会发生什么变化?这是华盛顿大学助理教授王晟近年来一直在探索的问题。从基因功能预测、单细胞分析,到数字病理和多模态医学基础模型,他的研究方向几经变化,但始
一个患者的病理切片、CT、基因组和蛋白质组数据,能否被 AI 合在一起分析?假如模型不光能识别疾病,还能读懂一个人的生物学状态,甚至预判疾病下一步怎么走,医学研究会迎来什么变化?
这是华盛顿大学助理教授王晟近年来反复追问的问题。研究方向从多模态医学基础模型出发几经调整,但目标没变:让 AI 从日益复杂的生物医学数据里,摸清生命系统的运行规律。
过去几年,他和微软研究院等机构合作开发了多款生物医学 AI 模型。从能够分析大规模
不过,在王晟看来,模型变强只是事情的一半。AI 能处理的数据越来越复杂,研究人员碰到的难题也跟着变了:不同尺度的生物医学数据之间怎么搭上关系?模型要是缺了某项关键信息,能不能倒过来设计实验、改进仪器,把自己需要的数据拿到手?
这个问题正变得越来越现实。2026 年,OpenAI、Anthropic 等人工智能公司接连加码生命科学。它们不满足于让模型读论文、分析数据、提出假设,而是开始和药企合作、建实验室,试着把 AI 带进真实的药物研发流程。
近日,DeepTech 和王晟聊了聊。话题从他这些年研究方向的变化说起,谈到多模态模型如何整合不同类型的数据、患者世界模型离落地还有多远,以及 AI 公司纷纷进入生命科学领域后,科研和药物研发可能发生的变化。
在他看来,生物医学或许会成为 AI 下一阶段最重要的突破方向之一。但真要走到那一步,AI 要跨过的门槛不只是模型性能,还有数据、实验和科学验证。
从
王晟的研究方向并非一开始就锁定在医学影像上。
早期,他主要研究
王晟表示,自己所在团队做交叉学科研究,主要想法是把 AI 领域的新技术,跟生物医学领域冒出来的新问题、新发现放在一起,从中找出有研究价值的交叉方向。
这些方向里,医学影像尤其是病理图像,成了团队重点探索的领域。一张
团队开发的
图 | GigaPath 在视觉语言任务中的应用(来源:Nature)
其实,病理图像只是医学影像中的一类。医生手头的医学影像还有 CT、
为此,团队又开发了
这项研究还想解决另一个问题:不同类型的医学影像之间怎么建立联系。现实中,很难找到一位患者把所有类型的影像都做全。比如有人做了眼底检查,有人做了心脏 CT,这两份影像数据没法直接配对。王晟团队的做法是拿医生写的文字报告当共同桥梁,把不同类型的影像串起来。眼底图像也好,心脏 CT 也罢,医生一般都会留下文字描述,模型就能借助图像与文字之间的对应关系,学到不同影像的特征。
这种做法还有个实际好处:降低医生使用 AI 的门槛。他认为,模型不光要预测得准,还得容易上手,“只有医生愿意使用,才能产生更多反馈”。医生用起来之后产生的数据和反馈,能反过来帮研究人员改进模型,持续迭代的数据闭环才有机会形成。
从单一病理影像扩展到多种医学影像,也让王晟开始琢磨一个更大的问题:模型能整合的数据模态越来越多,它的整体能力会不会跟着涨?这正是他提出多模态 Scaling Law 的出发点。
以一名复杂癌症患者为例,医生可能需要把病理切片、CT、DNA 基因组检测放在一起看,有时还要参考蛋白质组、代谢组等信息。不同的检测反映疾病的不同侧面。AI 若能同时读懂这些信息,就有机会对患者做出更全面的判断。
目前,团队已经在医学影像方面整合了九种模态,在生物学方面则围绕
事实上,团队参与开发的
图丨 GigaTIME 实现群体规模肿瘤免疫微环境分析(来源:Cell)
但要把这两类数据真正整合起来,并不容易。医学影像呈现的是人体器官和组织的状态,肉眼或显微镜下就能观察;基因组学数据涉及的是分子和细胞层面的信息。两者处在完全不同的尺度,加上缺少足够的配对数据,很难直接建立联系。
王晟提到,团队目前还在摸索 AI 之外的生物科学手段,想借助新的数据采集方式,让不同尺度的生物学信息跟医学影像对上号。这个问题一旦解决,不同尺度生物医学数据的统一整合就有望再往前走一步。
从通用模型到患者世界模型,AI 如何理解疾病?
多模态模型想让AI读懂更多类型的生物医学信息。可一旦走到临床,另一个问题就冒出来了:面对具体疾病的诊疗场景,它给出的辅助信息够不够准、够不够可靠?
团队一开始想做的,是覆盖多种癌症的通用病理模型,让AI从不同组织切片里认出疾病特征,完成多种预测任务。真做下去才发现,通用模型能应付多种癌症,放到某一种疾病上却未必最好。王晟的原话是:“它各种癌症都能做,但其实说哪一种特别突出,反而就没有那么突出了。”
于是团队把肺癌选作切入口,搜集大量相关数据,对原模型再做训练和微调。针对性优化之后,模型在肺癌场景里的表现上去了。可另一面也跟着来:模型越适应肺癌数据,在乳腺癌等其他癌症上的表现就可能往下掉。
分阶段推进的思路就这样慢慢成型。论文研究阶段,优先做覆盖多种疾病的通用模型;到了临床应用阶段,再结合具体医院的数据特点和实际需求,把模型调成针对特定疾病的专用模型。
王晟介绍,团队开发的肺癌模型不仅在合作医院开展了应用研究,纽约
模型进了医院,不等于就能参与日常诊疗。眼下这类模型主要还是医生的辅助工具,用在病理分析、复杂病例研究和科研上。怎么在保证患者数据安全、满足医疗监管要求的前提下,让模型一步步走进实际诊疗流程,还得继续摸索。
从通用模型到特定疾病的专用模型,王晟团队解决的是让AI更好地理解和识别当前疾病状态。他更想往前推一步:让AI预测疾病接下来怎么走。这正是他构想中的患者世界模型要干的事。
思路借自机器人领域的世界模型。机器人要预判执行不同操作后,周围环境和自身状态会怎么变;放到患者身上,模型要预判的是一个人用了不同药物或治疗方案后,未来的身体状态和疾病进程会怎么变。
王晟说:“当我知道病人在这一刻的状态,我可以预测他在未来使用不同药物之后,状态会怎么变化。这就是我们对世界模型的定义。”
传统
技术路径上,团队想把患者每次就诊产生的诊断记录、医学影像和检查结果看成一段连续序列,用前几次就诊的数据去预测下一次就诊时可能出现的状态。
最大的拦路虎还是数据。就诊记录、检查结果、治疗信息都涉及隐私,医院之间、研究机构之间很难直接共享。罕见病更麻烦,单家医院能攒到的病例尤其少。
王晟表示,拿罕见病来说,某个地区也许只出现一两例,可一旦把全球数据汇聚到一起,就能凑出上百例乃至上千例;全世界的数据若能全部打通,道理也是如此。
所以他判断,患者世界模型要突破,算法只是一半,另一半看能不能建起更好的跨机构数据共享机制。患者数据足够多、时间跨度足够长,模型才可能从识别当前疾病,走到理解不同治疗方案对患者未来发展的影响。
当AI开始参与科研,谁将成为下一个药物研发者?
过去一年,
AI能不能真正当上科学研究的参与者,先得回答一个问题:它提出的科学假设,到底怎么证明是对的?
数学和编程领域好验证:证明可以拿定理检查,代码可以跑测试。生物医学研究不一样。模型提出一个新的药物分子或生物学机制,不代表它真有效,最后还得靠细胞实验、动物实验去验证,有些研究要数年才出结果。
怎么把这种实验验证变成一套能衡量AI科学发现能力的评测标准?这也是王晟正在琢磨的事。
在他看来,目前不少生物医学AI评测还停在数据分析层面,离真正的科学发现差着一截。模型能从已有数据库里找出规律,不等于它发现了此前未知的科学知识。为此,他正在探索建立一种新的评测基准(
可要是每个AI提出的假设都得等数月甚至数年的实验,评测的成本和周期就高得吓人。王晟认为,评测问题本身也得筛,现阶段不宜一上来就让AI去啃最复杂的疾病。
在他看来,癌症、
他把这个过程比作AI在数学领域的发展:模型也是先靠大量基础题和竞赛题练手,能力一点点攒起来,后来才去解更复杂的数学难题。
AI逐渐具备提出科学假设、分析实验结果的能力之后,改变的或许不只是科研效率,还有药物研发本身的组织方式。
2026年10月,Anthropic收购生物技术公司
在王晟看来,这展示了一种新的研发模式。“未来的生物医学研发可能不需要很多AI研究人员,只需要少数人管理大量
要是少数研究人员靠 AI 就能把药物研发项目张罗起来,这套本事能不能也向专业科研机构以外的人敞开?王晟想得更远:将来患者自己,也可能当上药物研发的组织者。他的理由是,“最想把罕见病治好的,并不一定是药厂,而是患者本人或者他的家属。”
他描绘的路径是搭一个平台:罕见病患者借 AI 学生物医学知识、提出研究问题,再通过平台调用 AI 工具,把细胞实验、动物实验等活委托给专业机构去做。这样一来,患者本人也能把研究项目组织起来,不必把“哪种病值得投研发”的决定权完全交在大药企手里。
不过,经费、专业能力、实验资源这些现实门槛依然横在面前。AI 能帮患者弄懂研究问题、把研发流程组织起来,但实验怎么设计、结果怎么验证、后续临床试验怎么走,还是得有专业人员加入,伦理和监管要求也一条都不能少。
在王晟看来,AI 的作用之一就是压低参与科研所需的知识门槛和组织门槛。以往,药物研发基本握在大型药企和专业研究机构手上;往后,随着 AI 工具与外部实验资源逐步开放,参与研究过程的人里可能会出现更多患者。
参考链接:
1.Xu, H., Usuyama, N., Bagga, J. et al. A whole-slide foundation model for digital pathology from real-world data. Nature 630, 181–188 (2024). https://doi.org/10.1038/s41586-024-07441-w
2.https://microsoft.github.io/BiomedParse/
3.Xu, Hanwen, et al. “Multimodal AI Generates Virtual Population for Tumor Microenvironment Modeling.” Cell, vol. 189, no. 2, 22 Jan. 2026, pp. 386-400.e19, https://doi.org/10.1016/j.cell.2025.11.016.
运营/排版:何晨龙
注:封面/首图由 AI 辅助生成