AI刚刚以创纪录的时间破解了一个复杂的妊娠数据挑战——这可能会重塑医学研究的方式。据Shutterstock报道，生成式AI工具通过构建准确的早产预测模型，速度远超人类团队——有时甚至表现更佳，这让研究人员感到震惊。这一突破表明，AI可能会显著加速医学发现，并改善对脆弱新生儿的护理。
在人工智能在健康研究中的早期实际测试中，加州大学旧金山分校(UC San Francisco)和韦恩州立大学(Wayne State University)的科学家发现，生成式AI工具分析大型医疗数据集的速度比传统研究团队快得多。在某些情况下，AI系统甚至比花费数月仔细审查相同数据的计算机科学家产生了更好的结果。
研究人员创建了直接比较。一些团队仅依靠人类专业知识，而其他团队则将科学家与AI辅助相结合。所有团队都被要求应对相同的挑战：使用来自1000多名孕妇的数据预测早产。
即使是包括加州大学旧金山分校(UCSF)硕士生Reuben Sarwal和一名高中生Victor Tarca在内的初级团队，在AI的帮助下也成功构建了预测模型。他们能够在几分钟内生成功能性的计算机代码——这项工作通常需要经验丰富的程序员花费数小时甚至数天才能完成。
生成式AI的关键优势在于它能够从简短、高度技术性的提示中生成分析代码。并非每个系统都表现良好。8个AI聊天机器人中只有4个生成了可用的代码。尽管如此，那些成功的系统并不需要专家团队来指导它们。
由于这种效率，初级研究人员能够在几个月内进行实验、验证他们的结果，并将他们的发现提交给科学期刊。
加州大学旧金山分校(UCSF)儿科教授、Bakar计算健康科学研究所(BCHSI)临时主任、美国出生缺陷基金会(March of Dimes)早产研究中心首席研究员Marina Sirota博士说："这些AI工具可以缓解数据科学中最大的瓶颈之一：构建我们的分析流程。对于现在需要帮助的患者来说，这种加速来得正是时候。"
Sirota是这项研究的共同资深作者，该研究今天（2月17日）发表在《Cell Reports Medicine》杂志上。
为什么预测早产很重要
更快的数据分析可能会带来改进的早产诊断工具，而早产是新生儿死亡的主要原因，也是导致长期运动和认知障碍的重要因素。在美国，每天约有1,000名婴儿早产。
尽管早产影响重大，但科学家们仍未完全了解是什么触发了早产。为了寻找答案，Sirota的研究团队从九项独立研究中的约1,200名孕妇收集了微生物组数据，并追踪了每次妊娠直至分娩。
美国出生缺陷基金会(March of Dimes)早产数据存储库联合主任、加州大学旧金山分校BCHSI副教授、论文合著者Tomiko T. Oskotsky医学博士说："这种工作只有通过开放的数据共享、汇集众多女性的经验和众多研究人员的专业知识才有可能实现。"
然而，数据的巨大数量和复杂性使其难以分析。为了解决这个问题，该团队通过一个名为DREAM（逆向工程评估和方法对话）的全球竞赛寻求外部帮助。
Sirota共同领导了三项DREAM妊娠挑战中的一项，重点关注阴道微生物组数据。全球100多个研究小组竞争设计能够识别与早产相关模式的机器学习算法。大多数团队在规定的三个月内完成了挑战。然而，汇编研究结果并发表需要近两年时间。
在妊娠数据上测试生成式AI
为了确定AI是否能够加速这一过程，Sirota的团队与由Adi L. Tarca博士领导的研究人员合作，Tarca是密歇根州底特律韦恩州立大学(Wayne State University)分子医学与遗传学中心的教授，也是该研究的共同资深作者。Tarca领导了另外两项DREAM挑战，这些挑战专注于改进估算妊娠阶段的方法。
联合团队要求八个AI系统使用来自三项DREAM挑战的相同数据集独立构建算法，不提供人工编码支持。
每个AI工具都收到了精心设计的自然语言提示。类似于ChatGPT的运作方式，这些系统以简单语言但精确的指导进行操作，以便它们能够以与原始DREAM团队相当的方式分析医疗数据。
目标与比赛中的目标相同：评估阴道微生物组数据以寻找早产的指标，并检查血液或胎盘样本来估算妊娠年龄。妊娠期的确定几乎总是一种估计，但它在指导医疗护理中起着关键作用。当估计不准确时，临床医生可能难以在正确的时间为分娩做好准备。
在数据集上运行AI生成的代码后，研究人员发现8个AI工具中有4个生成的预测模型表现与DREAM团队创建的模型一样好。在某些情况下，AI模型表现甚至更好。整个生成式AI项目，从最初概念到期刊提交，仅在六个月内就完成了。
研究人员警告说，AI系统仍可能产生误导性结果，人工监督仍然必不可少。该技术不会取代科学专业知识。然而，通过快速处理庞大的数据集，生成式AI可能使研究人员减少调试代码的时间，而有更多时间解释研究结果并提出更好的科学问题。
Tarca说："多亏了生成式AI，数据科学背景有限的研究人员将不再总是需要建立广泛的合作或花费数小时调试代码。他们可以专注于回答正确的生物医学问题。"
参考文献：2026年2月17日，《Cell Reports Medicine》
作者：加州大学旧金山分校(UCSF)作者包括Reuben Sarwal、Claire Dubin、Sanchita Bhattacharya（理学硕士）和Atul Butte（医学博士、哲学博士）。其他作者包括Victor Tarca（密歇根州安娜堡Huron高中）；Nikolas Kalavros和Gustavo Stolovitzky博士（纽约大学）；Gaurav Bhatti（韦恩州立大学）；以及Roberto Romero（医学博士、医学科学博士）（国家儿童健康与人类发展研究所(NICHD)）
资金支持：这项工作由加州大学旧金山分校(UCSF)美国出生缺陷基金会(March of Dimes)早产研究中心和ImmPort资助。本研究中使用的数据部分是在国家儿童健康与人类发展研究所(NICHD)妊娠研究部门的支持下生成的。
【全文结束】
