Meta发布10篇基于Muse的健康研究论文稿

Meta于10月14日发布了10篇由医学研究人员借助其AI模型Muse撰写的健康研究论文稿。这些论文来自一项实验：Meta搭建了结合Muse Spark 1.3与Muse Wonder的内部编程框架，让医学研究人员用它完成从提出假设到运行代码、撰写论文的全过程。Meta在研究博客中称，这是一个以人为主导的体系，AI加速研究的每个阶段，而科学判断与结论由相关领域专家负责。论文涵盖传染病、运动医学、急诊医学、肿瘤学、内分泌学、口腔健康等领域。

项目的规模来自数据。该框架既可访问公开数据，也可访问Meta获得授权的回顾性去标识化电子健康记录（EHR）数据库。Meta称该数据库覆盖500万人，而同期公开的论文写明，2026年6月版本涵盖495万名患者，是连接美国21个医疗系统的病历与理赔数据。具有心脏病学、流行病学、传染病和内科背景的研究人员用该系统在四周内开展了原创研究。在Meta发布的2分22秒视频中，研究团队介绍共有15名医学专家参与。

速度是Meta最突出强调的数字。据研究博客介绍，从向模型输入第一条提示词到完成论文稿不到两周，最快的一篇仅用7天。参与者一致表示生产力大幅提升，最佳情况下比传统研究流程快达10倍。视频中一位研究人员说，过去没有AI通常需要两到三个月的工作，如今从构想到论文稿两周内即可完成。

各篇论文的结果相当具体。一项关于感染性心内膜炎的研究，从12,553名心内膜炎患者中选出9,599人，与47,974名无心内膜炎的菌血症患者配对比较。第31至365天新诊断心律失常和传导障碍的风险比为1.73，其中第31至90天最高，为2.41。一年标准化风险为6.98%对4.14%。一项针对急诊科行为健康患者的研究发现，未接受诊治即离开的患者，复诊相对风险为1.86，住院为4.41，短期死亡为2.15。一项匹克球运动损伤研究分析了2014至2023年美国急诊数据中经判定的1,738例病例，一项关于社会需求诊断编码的研究则对26,153名成年人进行了配对比较。

论文稿经过三重把关。每篇论文都获得了研究团队同侪的反馈、生物统计学家的分析审查，以及外部独立专家的摘要评审。METAL查阅的研究团队报告原文写明，所有代码和分析均由生物统计专家和计算机科学家另行审查。每项研究还至少经过两轮内部同行评审。外部评审在肯定之余也附上了保留意见。宾州州立大学健康系统心脏内科教授迈克尔·法巴尼克评价心内膜炎论文称："我认为这项研究属于产生假设，而非改变临床实践。"

报告更看重的是人的判断改变结果的案例。Muse将金黄色葡萄球菌菌血症患者的死亡率算为1%，但一位传染病医生指出文献中的数值接近30%，团队随即审核了死亡记录方式，并发现了其他异常模式。模型曾把为保持静脉通路通畅而使用的小剂量肝素冲管与治疗血栓的全剂量视为同一暴露，研究人员按剂量和给药途径重新做了定义。模型还曾断言数据集中存在的字段不可用；由于只能读取订阅期刊文章的摘要，它也可能遗漏既往研究中的限定条件。研究人员在报告中写道，该系统像一个产出量高但可靠性参差不齐的研究助理。

研究人员认为最大的收获不是写得更快，而是更快地叫停。据报告介绍，Muse及早筛除了文献中已有答案的问题以及数据无法回答的问题。对于为保护隐私而平移了日期的数据，它提前指出无法回答受季节影响的流感疫苗问题，为团队节省了时间。约翰斯·霍普金斯大学医学院助理教授S·米歇尔·奥贡沃尔表示："这个项目最让我兴奋的是，它汇聚了科学中最美好的部分——好奇心、创造力、协作和思想碰撞——同时消除了大量摩擦。"视频中一位研究人员说，与模型反复讨论后，他至少提出了50个假设。

从科技法律的视角看，这项实验设计的意义在于把责任归属写成了文件。Meta只使用经授权的去标识化数据，报告明确指出，因果判断与最终结论的责任始终在研究者。研究人员指出，力图把人排除在外的全自主"AI科学家"系统存在引用无法核实、来源不透明等问题，并表示他们有意选择了在每个阶段设置预定关卡的中间路线。Meta将这一方法定位为候选最佳实践，而非成熟标准。

Meta曾于10月12日发布前沿模型Muse Wonder，突出其在个人与工作智能体任务上的表现，此次发布则是将同一模型投入科学研究的成果。目前的工作仍限于回顾性分析。Meta表示，计划利用更全面的数据生成新假设，并通过前瞻性临床试验加以验证。Meta描绘的下一步，是模型在专家监督下，在无法形式化验证的领域担任自动研究智能体。要让这一设想在医学界站住脚，这10篇论文稿首先要通过真正的期刊审稿。