26月2026日，《自然·计算科学》杂志发表了康章团队的研究成果，介绍了PULSE框架（患者统一纵向信号引擎）。
这是一种自监督（无监督学习）的纵向方法，它明确编码患者过去状态的个性化数据，以便根据后续不完整的测量结果重建完整的医疗档案。
与专注于静态或独立数据类型传统模型不同，PULSE考虑了生物关联性和指标的时间协变性。它利用历史配对数据来提高当前就诊时信息的一致性和生成能力，这对于真实临床实践中碎片化（马赛克式）的纵向测量尤为重要。
将该模型应用于英国生物银行（UK Biobank）的数据表明，PULSE能够根据常规血液检测准确生成代谢组学和蛋白质组学图谱。与参考数据（251种生物标志物）相比，生成的图谱超越了所有基线参考模型，而基于这些合成数据训练的算法在六种常见疾病上达到了AUC（ROC曲线下面积）0,72–0,83。这一准确性与使用真实蛋白质组学数据相当。
PULSE方法论基于一个基本原则：不同的临床模态是生物相关、时间协变的指标，反映个体生理状态的演变。这使得模型能够有效处理真实医疗中常见的不完整观测，因为患者不会同时接受所有检测。
在生物医学人工智能领域，PULSE在AlphaFold或单细胞数据分析模型等方法中脱颖而出。它专注于时间动态和电子健康记录（EHR）、视网膜图像和实验室标志物的多模态整合，这使其区别于静态的基础AI模型。
这一成就为基于常规数据更准确地预测疾病和个性化治疗开辟了可能性，减少了对昂贵专业检测的需求。然而，模型对其他人群和英国生物银行未涵盖的数据类型的泛化能力仍有待探讨。
在新队列上的独立验证以及与替代自监督方法的比较将揭示PULSE在真实临床场景中的优势有多稳固。
此类框架的开发强调，医疗人工智能进步的关键在于妥善处理时间动态和数据不完整性，而不仅仅是简单增加模型规模。
