26月2026日，《自然·計算科學》期刊發表了由張康領導的研究團隊的論文，介紹了PULSE框架（Patient Unified Longitudinal Signal Engine / 患者統一縱向信號引擎）。
這是一種自監督（無監督）的縱向方法，明確編碼患者過去狀態的個人化數據，以根據後續的不完整測量重建完整的醫療檔案。
與專注於靜態或獨立數據類型的傳統模型不同，PULSE考慮了生物學上的相互關聯性和指標的時間共變異。它利用歷史配對數據來改善當前就診時的一致性並生成信息，這對於真實臨床實踐中碎片化（鑲嵌式）的縱向測量尤為重要。
將該模型應用於英國生物銀行（UK Biobank）的數據顯示，PULSE能準確地根據常規血液檢查生成代謝組和蛋白質組檔案。與參考數據（251生物標誌物）相比，生成的檔案超越了所有基準參考模型，而基於這些合成數據訓練的演算法在六種常見疾病上達到了AUC（ROC曲線下面積）0,72–0,83。這一準確性與使用真實蛋白質組數據相當。
PULSE的方法論基於一個基本原則：不同的臨床模式代表了個體生理狀態演變中生物學相關、時間共變的指標。這使得模型能夠有效處理真實醫學中常見的不完整觀測，因為患者不會同時接受所有測試。
在生物學和醫學的人工智慧領域中，PULSE在AlphaFold或單細胞數據分析模型等其他方法中脫穎而出。它專注於電子健康記錄（EHR）、視網膜圖像和實驗室標記的時間動態和多模態整合，這使其有別於靜態的基礎AI模型。
這項成就為基於常規數據的更準確疾病預測和個人化治療開闢了可能性，減少了對昂貴專業測試的需求。然而，模型對英國生物銀行未涵蓋的其他人群和數據類型的泛化能力仍有待探討。
在新隊列上的獨立驗證以及與其他自監督方法的比較，將揭示PULSE在真實臨床場景中的優勢有多穩健。
此類框架的開發強調，醫學人工智慧進步的關鍵在於妥善處理時間動態和數據不完整性，而不僅僅是簡單地增加模型規模。
