贝叶斯假设生成：一种在数据收集之前评估新假设的概率框架

《Medical Image Analysis》：Bayesian hypothesis generation: a probabilistic framework for evaluating novel hypotheses before data collection

贝叶斯假设生成（BHG）是一种基于概率的结构化方法，用于在早期高不确定性阶段评估科学假设的可信度，通过动态更新先验、似然比和后验概率替代直觉判断，加速高风险高回报研究的筛选。在Nipah病毒爆发和视网膜微塑料检测等案例中，BHG量化了低先验假设的潜力，为资源分配提供依据，并强调在数据匮乏时仍能系统评估的重要性。

　　

Tan Aik Kah

眼科诊所，Normah医学专家中心，地址：Lot 937，Section 30 KTLD，Jalan Tun Abdul Rahman Yaakub，Petra Jaya，Kuching，93050，Sarawak，马来西亚

摘要

科学进步不仅依赖于数据，还依赖于在不确定性环境下生成和评估假设的能力。传统的框架——主要以“已被证实”与“不可信”的二元判断为主——在证据稀缺的早期高风险情境中显得力不从心。本文介绍了贝叶斯假设生成（BHG）方法，这是一种用于结构化信念更新的正式概率框架。通过定义先验概率、估计似然比并更新后验概率，BHG用一种透明的方法替代了基于直觉的推理方式，使概率能够随着证据的积累而动态演变。回顾性案例研究展示了其实用性。在尼帕病毒爆发的早期阶段，关于幽门螺杆菌与胃癌的怀疑，以及牛海绵状脑病危机中，BHG能够在获得确凿证据之前量化各种假设的合理性，为采取预防性措施提供了理论依据。一个关于视网膜微（纳米）塑料的前瞻性例子——这一现象已在人类视网膜中得到实证——展示了BHG如何区分信号与干扰因素：模型推导出的2.3%的后验概率虽然较低，但足以证明进一步研究的必要性。因此，BHG为假设管理提供了一种系统化的方法，平衡了怀疑态度与开放性。它通过突出哪些想法值得关注、需要资源或应该被排除，从而加速了预验证阶段。

引言

现代生物医学科学越来越倾向于规避风险，偏好“安全”的假设并推迟突破性进展。资助机构和审稿人由于需要确保资金的使用合理性，往往优先考虑可预测的、渐进性的成果，而非高风险、高回报的项目[1,2]。资助机制通过要求使用预先验证的方法和大量的初步数据，进一步加剧了这种“进退两难”的局面，使得真正新颖的想法几乎没有生存空间[3]。没有明确机制依据的假设常常被驳回，这引发了审稿人之间的认知冲突[4]。

最近的实证分析证实了这一趋势。尽管政策持续强调创新，但大多数生物医学资助者仍然更重视可行性和短期成果，而非高风险、具有变革性的研究，这体现在他们的影响评估框架和同行评审实践中[5]。在美国国立卫生研究院（NIH），自1990年以来，探索性R01项目的比例下降了近40%，同时多个学科的基于引用的新颖性也显著下降[6]。欧洲研究委员会和Wellcome Trust也观察到了类似的现象，同行评审的保守态度和机构的风险规避倾向显著降低了激进创新的比率[7]。总体而言，这些发现表明，科学投资的所谓“安全性”反而可能延缓了变革性发现的速度。

更广泛的生态系统也强化了这种保守倾向：委员会强调可行性和短期成果，期刊只在既定框架内认可新颖性，而大学则认为高风险研究是低效的投资[8,9]。这种系统性惰性阻碍了大胆的科学探索。

然而，许多具有变革性的进展——包括青霉素[10]、CRISPR[11]、DNA双螺旋结构[12]、mRNA疫苗[13]和胰岛素[14]——最初都是看似不可能、但在概念上非常大胆的飞跃。每一个进展都源自不同的假设生成阶段：弗莱明偶然发现霉菌抑制细菌生长，体现了异常识别的阶段；CRISPR发展成为基因组编辑工具，展示了跨学科推理的理论扩展；DNA双螺旋结构的阐明体现了将结构异常与化学推理相结合的模型构建；mRNA疫苗的实现体现了转化验证，将一个原本只是推测的分子概念转化为临床现实；胰岛素的发现则基于对胰腺提取物和糖尿病生理学的针对性推测。这些案例表明，变革性科学依赖于在所有生成阶段追求不确定假设的自由，而不仅仅依赖于技术实现或验证。

在这种背景下，“预实证”或“早期阶段”的假设指的是在正式数据收集之前的概念探索阶段——在这个阶段，推理、类比或跨领域推理可以提示可能的机制，即使直接证据很少。

本文介绍了贝叶斯假设生成（BHG）方法，这是一种用于填补这一空白的结构化框架。BHG提供了一种基于数学的方法，用于合理评估先验概率较低但潜在影响较大的假设。虽然探索性选择往往依赖于非正式的推理或“直觉”，但BHG使这一过程更加系统化，保留了直觉的优势的同时减轻了其局限性（见表1）[16]。

章节片段

假设

贝叶斯假设生成（BHG）能够在不确定性环境下系统地量化新兴科学想法的合理性，从而加速假设评估并指导早期研究的优先级排序。

贝叶斯假设生成（BHG）与贝叶斯假设检验（BHT）：概念与实践上的区别

贝叶斯假设检验（BHT）是一种强大的数据后处理框架，通过贝叶斯因子来权衡收集数据后各种假设的证据[[17], [18], [19]]。相比之下，贝叶斯假设生成（BHG）是前瞻性的：它在新数据出现之前，就利用贝叶斯逻辑来评估一个新假设是否值得探索，依赖于间接信号或生物学上的合理性。

这种区别至关重要。BHT是一种反应性方法——在现有数据的基础上作出反应

贝叶斯假设生成（BHG）的优势

BHG在应对现代生物医学科学中的风险规避文化方面具有显著优势。它通过明确的先验概率和似然比来鼓励提出大胆的假设，将辩论从直觉驱动转向定量推理，使高风险、高回报的想法能够得到严谨的探索。同时，它通过强调对现有信号的创造性分析而非昂贵的初步数据，降低了资金障碍。

结论

BHG将科学探索的最早阶段重新定义为一种结构化且透明的过程。它不是将新颖或不确定的假设简单地视为认识论上的薄弱，而是提供了一个基于先验概率、似然比以及早期观察结果的解释价值的理性评估框架。

将BHG应用于历史医学发现中，可以说明即使先验概率较低，某些假设也值得考虑。它并不取代传统的评估方法

伦理声明

本研究无需伦理批准

写作过程中使用生成式人工智能和人工智能辅助技术的声明

在撰写本文时，作者使用了人工智能工具（ChatGPT, OpenAI GPT-5）来提高工作的效率、清晰度和准确性。AI被用来改进句子的表达，并确保术语的一致性。所有由AI生成的内容都经过了作者的严格审查、编辑和验证，以确保科学准确性和原创性。最终的手稿反映了作者的智力贡献和临床实践

CRediT作者贡献声明

Tan Aik Kah：撰写——审稿与编辑，撰写——初稿，可视化，验证，监督，软件开发，资源协调，项目管理，方法论设计，研究实施，资金申请，数据分析，概念构建。

资金情况

本研究未获得公共部门、商业机构或非营利组织的任何特定资助。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

无。