未来医疗的世界坐标系：从可计算的生命，到稀缺的转化层

一、AI 革命与生物医学革命的合流

AI 正在不断突破科学上限。GraphCast 对对流层变量的预测，在 99.7% 的指标上优于传统高分辨率系统[1]；蛋白质结构预测已经覆盖几乎所有已知蛋白[2]；AI 系统也在国际数学奥林匹克竞赛中达到金牌水平[3]、在单一编程任务中接近全面超越人类顶尖水平[4]。AI 在提高任务效率的同时，正在深入复杂系统的预测、建模和发现过程。

既然某些复杂系统已经可以被提前预测，人的疾病轨迹能否也被提前看见？临床医学今天仍难在一个具体的人身上提前数年判断糖尿病、心衰、肿瘤或认知衰退的风险，并据此改变结局[5]。医学需要发展自己的计算、仿真与预测能力。AI 对复杂系统的理解能力也需要经受医学的检验。

图1：多尺度医学预测 AI 算法可基于多种动态输入，在从分子到细胞与组织、个体乃至群体的多个层级上预测未来医学事件。（来源：Fahrner LJ et al., Cell, 2025, Fig. 2 汉化[6]。）

加速来自两股力量的相遇。AI一侧，大模型、智能体和自动化科研系统把假设生成、实验设计和分子搜索纳入计算流程。生物医学一侧，单细胞、空间组学、衰老时钟和数字人体提供了新的观察手段；细胞位置、器官老化、分子网络偏离、个体状态波动，也涌现出大量计算工具。

两股力量合流，生命系统的研究尺度开始改变：基础模型提供可计算表征，搜索与优化程序在表征空间里产生候选设计，自动化实验把计算结果带回真实体系校验。连接科学发现、个人状态和临床交付的转化层更显重要。未来医疗要反复面对追问：模型发现的机制，怎样进入医生判断？个人长期数据，怎样形成可干预的状态判断？一个预测要经受哪些验证，才可能改变病人的结局？

二、上游：生命变得可计算

2025 年以来密集出现的一批工作，正在重组生命科学上游的研究流程：数据生成、模型学习、扰动设计、实验验证、预测与设计。2026 年 3 月，Vishwanatha M. Rao、Eric J. Topol、Pranav Rajpurkar 等在 Nature Biotechnology 发表综述，提出“通用生物人工智能”（GBAI）——以“生命的语言”建模 DNA—RNA—蛋白质—细胞功能之间的信息流，由统一系统处理跨生物域的预测、生成、设计和科学发现任务[7]。GBAI 仍是框架性命题，虚拟细胞是它通向综合生物模拟的一部分；文章更重视语言模型、结构模型、专用模型和智能体工作流怎样协同，形成数字生物学的上游基础设施。

• 图2：通用生物人工智能（GBAI）的三条前沿路线面向生物的智能体 AI 把专家模型、数据库和智能体工作流组织成可编排的研究流程（红）；多模态生物学分析在 DNA、RNA、蛋白质和细胞等不同生物域之间建立跨模态表征，处理预测、生成和设计任务（蓝）；虚拟细胞集成在潜在空间中整合空间上下文与虚拟实验，逼近对细胞过程的完整模拟（黄）。三条路线共同指向科学发现与验证：生成具有特定功能的新分子、高效检验预测的分子相互作用、为不同生物学机制提出新假设。（来源：Rao et al., Nature Biotechnology, 2026, Fig. 2 汉化。）

 

判断生命是否真的“可计算”，预测分数还不够，设计能力更能检验模型有没有学到可迁移的规律。

底层能力是读懂：模型要在长序列、细分辨率和多模态信号中稳定捕捉生物规则。DeepMind 的 AlphaGenome 以 1 Mb DNA 序列为输入，预测多类功能基因组轨道，并在单碱基尺度评估变异效应[8]。

更高的要求是改写：生成或改造的序列要受功能约束，经得起生物系统的检验。Arc Institute 的 Evo 2 先以预印本和开源模型公开，2026 年 3 月在 Nature 正式发表；它用约 9 万亿 DNA 碱基对训练，展示了跨生命域的基因组预测与设计能力[9][10]。在蛋白质、细胞等生物功能单元的尺度上，不只是生成一个合理序列，还要把结构、相互作用、候选分子搜索和湿实验筛选接起来，逼近“准确”。Biohub 2026 年 6 月发布首个蛋白质世界模型，把蛋白序列、结构、功能和相互作用放进同一个表示空间。这个系统不只用于结构预测，还能搜索候选结合剂、回到湿实验验证，并构建覆盖数十亿蛋白的结构与功能图谱[11]。

进入产业系统后，检验尺度继续放大：模型能力要进入药物研发、诊断产品和医疗健康服务的组织流程，接受周期、成本、监管、临床证据和真实世界反馈的检验。药物研发已经给出两个代表性样本。2026 年 5 月 12 日，Google DeepMind CEO、2024 年诺贝尔化学奖得主 Demis Hassabis 创办并领导的 Isomorphic Labs 宣布完成 21 亿美元 B 轮融资，资金将用于扩展 AI 药物设计引擎、全球业务和候选药物管线[12]。Insilico Medicine 已经把 AI 药物发现推到临床试验层面：2025 年，Nature Medicine 发表其用于特发性肺纤维化的候选药物 IIa 期、多中心、双盲、随机、安慰剂对照试验结果；其靶点发现和分子设计均使用生成式 AI[13]。药物研发只是第一条通道。诊断产品、临床决策和医疗健康服务，还要面对人群异质性、医生工作流、支付机制和真实世界结局的检验。

2026年5月20日，Hassabis 在 Google I/O “AI and the frontiers of science” 对谈中说，“我们正站在‘奇点’的山脚下”[14]。在 Hassabis 看来，生命科学是 AGI 大山的第一高峰。

大多数医疗机构无法直接参与基础模型工作，更无法直接竞争上游位置。对医疗与健康服务来说，更现实的问题是：当生命科学开始具备预测和设计能力，它们还能否安然停驻在 Leroy Hood 长期批评的“事后疾病照护”（reactive disease care）里——擅长在疾病发生后诊断和治疗，却缺少对健康状态的持续预测、预防和参与式管理？[15]

三、中游：个人健康状态的动态建模

分子、细胞、蛋白质和基础模型之后，问题落到医疗现场的具体个人：他的风险何时抬头，哪个系统最先偏离，哪一种干预可能改变轨迹。病历、检验、影像、组学、可穿戴和行为数据沿同一条时间轴展开后，一次体检或一次就诊会退到背景里，持续更新的个人状态成为新的对象。这里可以称为个体健康状态空间（individual health state space / personal health state space）：当前状态在哪里，哪些变量正在偏离，未来风险会沿什么路径抬头，哪类干预可能改变状态转移。更宽一点说，这也是一种生命状态空间（life state space）：把个人长期生命数据组织成可预测、可解释、可干预的健康地图。

• 图3：个体健康状态空间示意将生物年龄时钟、器官衰老评分、疾病风险信号和行为数据组织为连续的状态轨迹，连接数据输入、临床干预与结局反馈。状态空间的核心逻辑是：变量如何描述状态，状态如何随时间更新，干预如何改变状态转移，模型如何用真实结局校准。（来源：作者制图。）

 

生物年龄时钟首先提供了一把“尺子”。DNA 甲基化时钟、蛋白时钟、代谢时钟和器官时钟，陆续提供了不依赖出生日期的身体状态度量[16]。尺子若只会猜年龄，临床价值有限。它还要回答谁的疾病风险先抬头，谁的衰老速度正在加快，干预后有没有发生可测变化。统一评测已经给出提醒：“预测年龄”和“预测风险”需要分开检验[17]。临床价值最终要由真实结局来校准。

生物年龄研究随后进入器官层面，并与具体疾病风险相连。血浆蛋白组研究已经可以为多个器官分别估计“器官年龄”，并发现不同器官的加速衰老对应不同疾病风险，例如心脏年龄加速与心衰风险、脑和血管年龄异常与神经退行性疾病风险相关[18]。衰老作为总分的表达开始被拆开，形成器官层面的风险地图。

静态地图还不够，个人状态需要时间轴。同一个指标，长期稳定、快速上升、干预后回落，含义并不相同。2010 年代的个人组学画像研究已经显示，对同一个人持续采样，可以看见感染、炎症、血糖失控和疾病起点怎样进入同一条生命轨迹。近年来的深度表型队列，把个人连续生命轨迹的思路进一步拓展到更大人群；体检、组学、影像、睡眠、饮食、菌群和可穿戴数据，开始进入同一个纵向框架[19]。

有了时间轴，模型才有推演对象。近年的疾病轨迹模型开始用电子病历、诊断序列和多模态健康数据，生成一个人未来多年可能经历的疾病路径[20]。难点也清楚：历史要足够长，新数据要能更新判断，模型还要说明哪类干预可能改变路径。单纯拉长上下文并不能解决问题，关键仍是状态如何表示、如何更新、如何被结局校准。

抗衰与长寿医学也在为个体健康状态空间提供机制语言。一方面，衰老标志物（Hallmarks of Aging）清单已扩展到 14 类，说明衰老机制远比单一指标复杂[21]。

• 图4：衰老的 14 类标志物及其相互关系Kroemer 与 López-Otín 等 2025 年 Cell 综述将衰老标志物扩展至 14 类，并按层级组织：上游标志物驱动初始损伤，中游标志物作为拮抗性应答，下游标志物整合为表型结局；各层之间通过因果链和反馈环相互连接，构成衰老的系统网络。（来源：Kroemer et al., Cell, 2025, Fig. 汉化。）

 

在清单之外，研究者也在寻找能够收拢多个衰老通路的高阶机制轴。刘光慧与 Belmonte 等提出的“间充质漂移”，把衰老和多种年龄相关疾病理解为细胞身份逐渐漂移的过程[22]。刘光慧团队 2026 年 5 月在 Cell 发表的多中心标准化衰老队列工作，进一步在中国人群中整合临床评估、影像和多组学数据，刻画多层衰老时钟与器官异步衰老，并对部分候选因子做了实验验证[23]。这是全球首个多模态“衰老数字人体”的基础队列。系统医学的整合特征也在这里显出来：个人状态需要同时看到总分之外的器官差异、细胞状态和能经实验验证的机制变化。

数据越多，越需要判别门槛。个体健康状态空间不能等同于数据湖。它至少要说清四件事：变量如何描述状态，状态如何随时间更新，干预如何改变状态转移，模型如何用真实结局校准。一项对 149 篇“数字孪生”论文的系统综述发现，只有约 12% 同时满足个性化、动态更新和预测能力；能做到自动更新的研究，仅有一篇[24]。很多代表性工作仍以横断面数据为主，长期基线、连续追踪、干预反馈和结局验证还没有完整闭合。

医规级可穿戴设备和会员制健康服务，正在把个人数据入口做得更严肃。Oura 把经临床医生审核的自研健康模型、执照医生问诊和电子病历导入接入 App，可穿戴设备正在获得更明确的医学入口；它的定位仍是健康指导和医疗辅助入口，尚未进入独立诊疗[25]。Function Health 用每年 499 美元、160 余项实验室检测和临床医生审阅，把严肃健康会员制推到直接面向消费者（DTC）的规模[26]。这些产品说明，个人长期数据正在形成可规模化的健康服务入口。

临床数据与精准肿瘤平台 Tempus 提供了更硬的行为证据。2026 年一季度，Tempus 收入 3.48 亿美元、同比增长 36%[27]；其在美国临床肿瘤学会年会（ASCO）公布的多中心前瞻研究显示，系统上线 90 天内提升了关键基因检测执行率[28]。这类证据的价值，在于模型进入了医生工作流，并改变了检测执行率。它已经越过“模型分数”这一层，但证据仍主要停在流程动作：更多检测被执行，医生行为发生调整。检测之后的治疗选择、转诊决策、依从性和生存获益，才决定它能否进入更完整的医疗价值链。

个人健康状态的动态建模已经出现雏形，但它还没有自然变成医疗能力。下一步的关键是转化：谁能把前沿科学、个人状态、临床场景和长期反馈接进同一条医疗价值链？

四、下游：转化层的临床价值

前沿技术放不进真实人群、医生流程和随访结局里去验证迭代，就还是论文和演示。转化层做的事，是把可计算的生命科学、个人状态模型和临床行动接成可以交付、验证、迭代的医疗能力。

它处理的是一条完整医疗价值链：发现信号，形成判断，触发行动，验证结果，再把反馈带回模型和服务体系。

• 图5：真实世界数据（RWD）与真实世界证据（RWE） 真实世界数据来自常规诊疗和持续健康管理两端——电子病历、检验影像、手术与用药记录、医保理赔、疾病登记、患者报告结局、可穿戴与多组学采集，经标准化采集与质量治理后生成真实世界证据。RWD→RWE 是转化层从“模型分数”走向“临床结局验证”的关键桥梁。（来源：Yang Z et al., The Innovation Medicine, 2025, Graphical Abstract 汉化[29]。）

 

院内转化的核心环节，是把真实诊疗、医生行为、结局数据、临床治理和支付接口组织起来。在这条路上，Mayo Clinic Platform 是走得最坚决、也最成体系的样板之一。它的底座是规模：约 26 PB 临床数据、30 亿条实验室结果、16 亿条临床笔记、超 60 亿份影像，被组织成可供研究、质量改进和创新者调用的数据产品[30]。扩展靠网络：与 Mercy 对接后，可分析的去标识化患者达约 1,520 万人[31]。产业合作进入制药：与默克合作，在三个适应症上推进 AI 早发现与精准医学研发[32]。到 2026 年 6 月，Mayo 又与微软宣布共同开发医疗领域前沿 AI 模型，由 Mayo 拥有模型，通过 Azure 全球分发[33]。

这个结构很有代表性：医疗机构保留临床数据、医学语境、模型所有权和临床责任，技术公司提供工程、算力和分发能力。Mayo CEO Gianrico Farrugia 在退休声明中，把这套体系称为“第一个可规模化的、AI 驱动的照护转化平台”[34]。这条路也不只 Mayo 一家在走，Mass General Brigham 已将临床试验筛选工具拆成独立 AI 公司，说明顶级医疗系统正在把内部 AI 能力产品化[35]。

转化层也可能在院外形成前置位置。疾病轨迹常在进入医院之前已经开始偏移：代谢、炎症、睡眠、活动、基因组和早期影像信号，往往早于正式诊断。Human Longevity, Inc. 提供了一个边界案例：它以全基因组测序、全身影像、多组学生物标志物和纵向 App 追踪为入口，试图把高端体检延伸为持续性的个人健康风险管理。HLI 公开产品仍带有鲜明高端自费属性，官网列出的项目包括 599 美元的全基因组入口、3,900 美元的全身 MRI、8,000 美元/年的 Executive Health 和 12,000 美元/年的 100+ Care，公司披露累计服务客户超过 10,000 人[36]。2026 年上半年，HLI 先后引入 Michael Levitt（2 月）和 Geoffrey Hinton（4 月）进入科学顾问委员会，他们分别是计算生物学与深度学习的领军人物；公司同时把目标表述为面向疾病风险预测和早期检测的 AI 世界模型（world model）[37][38][39]。Hinton 加入HLI ，说明人体深度、多尺度、纵向数据正在成为 AI 领域最重视的高价值建模对象之一。

HLI 这类平台的价值，是把医疗价值链前移：在疾病进入医院诊疗系统之前，先捕捉个人长期状态变化，并把高风险信号转入临床验证和干预。边界也清楚：全身 MRI、全基因组、多组学和 AI 风险评分可以发现更多信号，但院外平台要成为严肃转化层，仍要证明发现之后的行动链条能带来净临床收益，而不是增加过筛、误报和不必要检查[40]。

一个有待观察的趋势，是院内和院外两端同时变厚。院外平台负责长期状态发现与风险建模，院内系统负责验证、干预、责任承担和结局反馈。Mayo 和 HLI 提供了这条结构的两个端点。一个端点扎在真实诊疗、医生行为、支付接口和结局数据里；另一个端点扎在诊断之前的个人深度数据、早筛和长期健康管理里。完整转化层需要把两端接起来。

临床部署还有自己的摩擦。Topol 在 2026 年 5 月指出一个悖论：影像 AI 经十多年随机对照研究证明达到甚至超越人类水平，却迟迟没能规模落地；几乎没有前瞻证据的生成式 AI，大量医生反倒在日常使用[41]。这说明医疗 AI 的采用并不只由模型指标决定。医生工作流、责任边界、监管要求、支付机制和组织激励，都会决定技术能不能真正进入临床。

转化层自身要过结果关。Mayo 已经把临床数据、模型合作和真实世界验证组织成体系，但平台规模还不能替代临床结果。诊断是否更早，治疗是否更准，随访是否更有效，病人结局是否改善，才是这条链路最后要回答的问题。Topol 早在 2022 年就在 The Lancet 指出，验证一个算法的准确度，不等于证明其临床疗效[42]。随着医疗 AI 接近医生决策，深度数据会带来更重的隐私责任，临床嵌入也会抬高证据要求。

证据标准、临床治理与支付路径，共同决定转化层的成败。Mayo CTO John Halamka 提出“每一个算法都有数据卡”——治理先行，技术居次[43]。在中国语境下，临床采用更加受到制度激励影响。大医院门诊高度满负荷，医生端效率工具如果不能改变工作负担、收入结构或责任边界，采纳动力就会不足。院外健康管理、随访和家庭入口也因此成为新的试验路径。

转化层是一道闸门。科学发现、个人状态模型和 AI 产品都要经过这里，才能进入真实医疗。一方面，上游模型会继续向生命科学扩散；另一方面，健康管理会继续向疾病发生之前延伸。其中的张力在于：把严肃医疗与严肃健康深度整合起来，让自进化的前沿 AI 嵌入进来。

五、深度场景的开放机会

深度场景要能长期接触真实人群，触发真实医疗或健康行动，并持续记录行动结果与结局反馈。普通场景只记录使用，深度场景记录行动和结果。在未来医疗里，深度场景可以是一条专病门诊、一套早筛与随访体系、一个重症或手术流程，也可以是院外长期健康管理和家庭照护入口，未来还可能经由智能体（Agent）界面承接。

场景足够深，模型才有持续校准的条件。真实人群产生状态数据，医生和健康服务团队触发筛查、转诊、用药、复查或生活方式干预，行动结果继续回到系统，模型和服务再更新。持续反馈比单次数据采集更重要。没有行动，数据只能停留在画像；没有结果，模型无法知道判断是否有效；没有长期反馈，个体化也会停在一次次报告中。生物医学的科学发现、个人健康状态的动态建模和临床行动，只有在深度场景里反复相遇，才可能沉淀为可交付的未来医疗能力。

AI 能力远未登顶，上游模型能力会继续扩散，基础模型本身越来越难成为单一壁垒。AI 的差距会更多发生在高价值场景和专业反馈回路里：模型能否在真实人群、真实行动和真实结果中持续校准。软件工程是一个先例。医学则是门槛更高、价值更大、影响也更深远的场景。

未来医疗的机会，会越来越集中到同时拥有院内深度诊疗场景和院外长期健康管理能力、愿意把真实数据与临床结局纳入前沿技术验证的医疗平台上。开放包含数据，也包含问题、流程和验证空间。开放，意味着把医院和健康管理平台变成临床转化接口，让外部技术和产业能力接入真实医疗价值链。

医学的现场一旦真正开放，AI 将会打开和参与数据背后的生命历程：从一个人，到所有人。

参考文献

[1] Lam R, et al. Learning skillful medium-range global weather forecasting. Science. 2023;382(6677):1416–1421. DOI: 10.1126/science.adi2336.

[2] AlphaFold Protein Structure Database.

https://alphafold.ebi.ac.uk/ ｜ Varadi M, et al. AlphaFold Protein Structure Database in 2024. Nucleic Acids Research. 2024;52(D1):D466–D475.

[3] 2025 IMO: OpenAI,

https://x.com/OpenAI/status/1946594928945148246

｜Google DeepMind,

https://deepmind.google/blog/advanced-version-of-gemini-with-deep-think-officially-achieves-gold-medal-standard-at-the-international-mathematical-olympiad/

｜Trinh TH, et al. Olympiad-level formal mathematical reasoning with reinforcement learning. Nature. 2025. DOI: 10.1038/s41586-025-09833-y.

[4] ICPC 2025 World Finals.

https://worldfinals.icpc.global/2025/openai.html

｜Codeforces: Gemini 3 Deep Think 达 3455 分, 2026-02; DeepSeek V4-Pro 达 3206 分, 2026-04.

[5] Topol EJ. Medical forecasting. Science. 2024;384(6698).

DOI:10.1126/science.adp7977. https://doi.org/10.1126/science.adp7977

[6] Fahrner LJ, Chen E, Topol EJ, Rajpurkar P. The generative era of medical AI. Cell. 2025;188:3648.

DOI:10.1016/j.cell.2025.05.018. https://doi.org/10.1016/j.cell.2025.05.018

[7] Rao VM, Zhang S, Plosky BS, Hsu PD, Wang B, Zou J, Zitnik M, Topol EJ, Rajpurkar P. Generalist biological artificial intelligence in modeling the language of life. Nature Biotechnology. 2026 (online 2026-03-20). DOI: 10.1038/s41587-026-03064-w. https://www.nature.com/articles/s41587-026-03064-w

[8] Avsec Ž, et al. AlphaGenome. Nature. 2026 (online 2026-01-28).

https://www.nature.com/articles/s41586-025-10014-0

[9] Brixi G, et al. Genome modeling and design across all domains of life with Evo 2. Nature. 2026;652:1349–1361. DOI: 10.1038/s41586-026-10176-5.

[10] Arc Institute. Evo 2: One Year Later. 2026-03-04.

https://arcinstitute.org/news/evo-2-one-year-later

[11] Chan Zuckerberg Biohub. A world model of protein biology — ESMC, ESMFold2, ESM Atlas. 2026-05-27. https://biohub.org/news/world-model-of-protein-biology/

[12] Isomorphic Labs. Isomorphic Labs announces Series B investment round. 2026-05.

https://www.isomorphiclabs.com/articles/isomorphic-labs-announces-series-b-investment-round

[13] Ren F, et al. A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial. Nature Medicine. 2025. DOI: 10.1038/s41591-025-03743-2.https://www.nature.com/articles/s41591-025-03743-2

[14] Hassabis D. Google I/O 2026 对谈.

2026-05-20. https://io.google/2026/explore/pa-keynote-16 ｜ Semafor, 2026-05-20:

https://www.semafor.com/article/05/20/2026/google-exec-demis-hassabis-predicts-were-at-the-foothills-of-the-singularity ｜ Axios, 2026-05-26:

https://www.axios.com/2026/05/26/deepmind-ceo-demis-hassabis

[15] Hood L, Price N. The Age of Scientific Wellness. Harvard University Press. 2023.

[16] Horvath S. DNA methylation age of human tissues and cell types. Genome Biology. 2013;14:R115. DOI: 10.1186/gb-2013-14-10-r115 ｜ Lu AT, et al. DNA methylation GrimAge strongly predicts lifespan and healthspan. Aging (Albany NY). 2019;11:303–327. DOI: 10.18632/aging.101684 ｜ Belsky DW, et al. DunedinPACE, a DNA methylation biomarker of the pace of aging. eLife. 2022;11:e73420. DOI: 10.7554/eLife.73420

[17] Ying K, et al. A unified framework for systematic curation and evaluation of aging biomarkers. Nature Aging. 2025;5:2323–2339. DOI: 10.1038/s43587-025-00987-y. https://doi.org/10.1038/s43587-025-00987-y

[18] Oh HS, et al. Organ aging signatures in the plasma proteome track health and disease. Nature. 2023;624:164–172. https://www.nature.com/articles/s41586-023-06802-1

[19] Chen R, et al. Personal omics profiling reveals dynamic molecular and medical phenotypes. Cell. 2012;148:1293–1307. DOI: 10.1016/j.cell.2012.02.009 ｜ Reicher L, et al. Deep phenotyping of the health–disease continuum in the Human Phenotype Project. Nature Medicine. 2025. https://www.nature.com/articles/s41591-025-03790-9

[20] Shmatko A, et al. Learning the natural history of human disease with generative transformers (Delphi-2M). Nature. 2025. https://www.nature.com/articles/s41586-025-09529-3 ｜ Wang K, et al. A full life cycle biological clock based on routine clinical data (LifeClock). Nature Medicine.

2025;31:4225–4235. https://www.nature.com/articles/s41591-025-04006-w

[21] López-Otín C, Blasco MA, Partridge L, Serrano M, Kroemer G. The Hallmarks of Aging. Cell. 2013;153:1194–1217. DOI: 10.1016/j.cell.2013.05.039 ｜ López-Otín C, et al. Hallmarks of Aging: An Expanding Universe. Cell. 2023;186:243–278. DOI: 10.1016/j.cell.2022.11.001 ｜ Kroemer G, Maier AB, Cuervo AM, Gladyshev VN, Ferrucci L, Gorbunova V, Kennedy BK, Rando TA, Seluanov A, Sierra F, Verdin E, López-Otín C. From geroscience to precision geromedicine: Understanding and managing aging. Cell.

2025;188(8):2043–2062. https://www.cell.com/cell/fulltext/S0092-8674(25)00284-3

[22] Lu JY, Tu WB, Ma S, et al. Mesenchymal drift: A convergent framework for the hallmarks of aging. Cell. 2026;189(11):3184–3213. DOI: 10.1016/j.cell.2026.04.020. https://doi.org/10.1016/j.cell.2026.04.020

[23] Li J, Jiang B, Zhang W, et al. Multimodal clocks of human aging. Cell. 2026 (online 2026-05-08). DOI: 10.1016/j.cell.2026.04.025.

https://www.cell.com/cell/abstract/S0092-8674(26)00460-5

[24] Tudor BH, Shargo R, Gray GM, et al. A scoping review of human digital twins in healthcare applications and usage patterns. npj Digital Medicine. 2025;8:587.

https://www.nature.com/articles/s41746-025-01910-w

[25] Oura Health. Introducing Our First Proprietary AI Model. 2026-04.

https://ouraring.com/blog/womens-health-ai-model/

[26] Function Health.

https://www.functionhealth.com/pricing

[27] Tempus AI, Inc. Form 8-K — First Quarter 2026 Financial Results. SEC, 2026-05-05.

https://www.sec.gov/Archives/edgar/data/0001717115/000119312526066931/tem-ex99_1.htm

[28] Tempus AI. Tempus Expands Next Platform. 2026-05-28.

https://www.businesswire.com/news/home/20260528392115/en/

[29] Yang Z, Zhao H, Zhang M, Xiang H, Tu H, Sun F. Revisiting real-world data studies: Progress, value, and challenges. The Innovation Medicine. 2025;3(3):100143. DOI: 10.59717/j.xinn-med.2025.100143.

https://doi.org/10.59717/j.xinn-med.2025.100143

[30] Mayo Clinic News Network. Mayo Clinic launches Mayo Clinic Platform_Insights. 2026-01-07.

https://newsnetwork.mayoclinic.org/discussion/mayo-clinic-launches-mayo-clinic-platform_insights-to-advance-digital-innovation-and-quality-improvement-across-healthcare/

[31] Mercy / Mayo Clinic. Mayo Clinic and Mercy reach first major milestone in data collaboration. 2026-02-23. https://www.mercy.net/newsroom/2026-02-23/mayo-clinic-and-mercy-reach-first-major-milestone-in-data-collab/

[32] Merck & Co. Merck and Mayo Clinic Announce New R&D Collaboration. 2026-02-18.

https://www.merck.com/news/merck-and-mayo-clinic-announce-new-research-and-development-collaboration-to-support-ai-enabled-drug-discovery-and-precision-medicine/

[33] Microsoft & Mayo Clinic. Mayo Clinic and Microsoft collaborate to develop a frontier AI model for healthcare. 2026-06-02.

https://news.microsoft.com/source/2026/06/02/mayo-clinic-and-microsoft-collaborate-to-develop-a-frontier-ai-model-for-healthcare/

[34] Farrugia G. Mayo Clinic News Network. 2026-05-12.

[35] Mass General Brigham. Mass General Brigham launches AIwithCare. 2026.

https://www.massgeneralbrigham.org/en/about/newsroom/press-releases/aiwithcare-mass-general-brigham-spinout-new-company

[36] Human Longevity, Inc.

https://www.humanlongevity.com/

[37] Human Longevity, Inc. AI Pioneer and Nobel Laureate Geoffrey Hinton Joins Human Longevity, Inc. Scientific Advisory Board. PR Newswire, 2026-04-09.

https://www.prnewswire.com/news-releases/ai-pioneer-and-nobel-laureate-geoffrey-hinton-joins-human-longevity-inc-scientific-advisory-board-302738850.html

[38] Human Longevity, Inc. Human Longevity, Inc. Welcomes Nobel Laureate Michael Levitt to Scientific Advisory Board. PR Newswire, 2026-02-09.

https://www.prnewswire.com/news-releases/human-longevity-inc-welcomes-nobel-laureate-michael-levitt-to-scientific-advisory-board-302681724.html

[39] Human Longevity, Inc. Human Longevity Launches Personal AI-Powered Longevity App. PR Newswire, 2026-02-18. https://www.prnewswire.com/news-releases/human-longevity-launches-personal-ai-powered-longevity-app-302691896.html

[40] Canadian Association of Radiologists (CAR). Whole-Body MRI Screening in Asymptomatic Individuals Policy Statement. 2025.

https://car.ca/wp-content/uploads/2025/09/CAR-Policy-Statement-Whole-Body-MRI-Screening-in-Asymptomatic-Individuals.pdf

[41] Topol E. The Paradox of Medical AI Implementation. Ground Truths (Substack). 2026-05-03.

https://erictopol.substack.com/p/the-paradox-of-medical-ai-implementation

[42] Topol EJ, Aristidou A, Jena A. Bridging the chasm between AI and clinical implementation. The Lancet. 2022-02.https://drerictopol.com/bridging-the-chasm-between-ai-and-clinical-implementation/

[43] Halamka J. HIMSS26 主旨演讲. Healthcare IT News, 2026-03-10 ｜ KFF 播客, 2026-05-05.

本文来自微信公众号“树兰集团”，作者：树兰集团，36氪经授权发布。