《Frontiers in Medicine》：Beyond generalist AI: purpose-built foundation models for transplantation
编辑推荐：
实体器官移植是临床落地式基础模型（Foundation Model, FM）的决定性检验场景。此类模型已开始在其他医学领域推动语言、影像与病理学的变革，但许多模型仍围绕单一患者与静态快照构建。移植结局实则产生于整个照护连续过程中的供者–受者–移植物动态生态系统
实体器官移植是临床落地式基础模型（Foundation Model, FM）的决定性检验场景。此类模型已开始在其他医学领域推动语言、影像与病理学的变革，但许多模型仍围绕单一患者与静态快照构建。移植结局实则产生于整个照护连续过程中的供者–受者–移植物动态生态系统，并受到器官短缺与碎片化多模态数据的制约。已发表工作大多将通用模型适配到孤立任务，证明了组件可行性，而非移植原生预训练。本观点（Perspective）文章阐述了为何通用医学AI可能无法满足移植照护的需求，并定义了移植原生模型的五项要求：供者–受者–移植物联合表征、纵向连续记忆、多模态整合、决策感知，以及在人类监督下的持续适应与锚定（grounding）。随后，研究人员提出了从数据基础设施与模型开发，经临床验证，到受治理的辅助性部署的分阶段路线图。早期应用应保持受限且辅助的属性，并以与移植生物学、临床工作流程、患者安全及伦理分配的兼容性作为评判标准，而非仅依据模型规模。
实体器官移植为临床导向的基础模型提供了独特且高风险的试验场。尽管基础模型已在医学语言、影像和病理领域展现出变革潜力，但许多模型仍以单一患者的静态快照为设计单元。移植结局却取决于供者、受者与移植物在术前、围手术期和术后连续过程中的动态交互，且面临器官稀缺和数据碎片化。现有AI多为孤立、任务特异的预测工具，难以刻画移植的纵向、多模态和相互关联结构；将通用医学模型直接应用于移植，属于架构错配而非规模不足。为此，该文提出“移植原生（transplant-native）”基础模型的概念，即以移植原生数据和训练目标进行预训练，将供者–受者–移植物生态系统作为智能单位，而不是把移植视为通用模型的下游应用。
研究人员通过梳理已发表研究，发现当前工作大多将通用模型改造用于供者–受者匹配、资格评估、手术规划、移植物丢失预测和排斥分型等孤立任务，证明了组件可行性，但尚无模型能够学习供者–受者联合表征、跨阶段传播信息或嵌入分配约束。通用医疗基础模型存在架构性缺陷：假设单患者可孤立建模、风险变化缓慢、单一结局可单独优化、同质大数据足够、观察性相关即可；这些假设与移植生物学不符。因此，通用模型即使通过微调提升单项任务表现，仍难以支撑移植所需的跨记录、跨模态、跨阶段推理。
该文为观点性综述，未涉及具体样本队列。研究人员采用的主要方法包括：对移植领域现有基础模型研究进行文献综合与概念分析；基于临床结构定义移植原生模型的五项要求；从数据基础设施、模型开发、临床验证和部署治理四个层面构建分阶段路线图。具体技术路径涉及多中心登记数据标准化、隐私保护联邦学习、领域自适应预训练、指令微调、检索增强推理、多模态持续学习、多中心回顾基准测试、静默试验、临床医生参与评估、模型漂移监测和人类监督治理。
该文核心内容可归纳为以下各部分：
2 移植的独特性。移植医学分为术前、围手术期和术后阶段，各阶段推理目标不同；同一检验结果在不同时间轨迹中的含义差异很大，静态快照模型无法处理。因此，基础模型需维护纵向状态表征，以移植连续体作为时间推理单位。
2.1 移植连续体。移植各阶段的临床任务相关性动态变化，阶段背景对解读任何观察都至关重要。研究得出，移植连续体而非事后拼接的各阶段预测，才是时间推理的基本单位。
2.2 供者–受者–移植物生态系统。移植的核心预测问题是特定供体器官能否在特定受者体内存活并发挥功能。供者与受者数据分散于不同记录系统，而移植物结局不能仅由受者特征或免疫相容性推断。研究得出，基础模型必须从预训练起就将供者–受者配对生物学作为学习对象，并将分配稀缺器官时的生物适合性与公平性作为耦合目标。
2.3 移植数据的多模态特性。移植数据涵盖临床、影像、生物和纵向维度，相关模态随阶段和器官类型变化，并以异步、不完整方式到达。研究得出，移植基础模型需要支持随临床状态变化的证据层级与跨模态推理，而非固定的特征融合或各模态独立预测。
3 移植领域的基础模型：现状与差距。现有研究多为改造通用基础模型处理孤立移植任务，尚无移植原生预训练。研究得出，组件可行性已被证明，但集成化、可迁移的移植原生建模能力尚未建立；某些简单表格模型在可解释性和部署方面可能优于基础模型，因此采用何种模型必须由任务本身证明。
3.1 当前基础模型在移植中的应用。已有工作利用胸部CT、病理、表格、临床语言和手术场景模型，完成供者匹配、资格评估、手术规划、移植物丢失预测和排斥分型。但研究得出，这些应用大多局限于单一护理阶段和单一模态，缺乏供者侧背景或移植原生预训练，属于“适配陷阱”。
3.2 通用医学基础模型的不足。通用医学AI的单患者、静态快照、单一结局优化等假设与移植的多主体动态生物学不符。研究得出，任务级临床微调可提升单项性能，但无法解决跨记录、跨模态、跨阶段推理的架构性缺口。
4 从数据到部署：移植对基础模型的要求。该文提出分阶段路线图，强调移植原生模型需要在数据、模型、评估和部署全链条匹配临床问题。
4.1 数据基础设施。数据孤岛、碎片化和标准化不足是主要阻碍。现有OPTN、SRTR、CORR、CTR和CanODT等登记系统主要为分配和监测设计，缺少训练基础模型所需的多模态细节。研究得出，需由全国登记系统和多中心联盟制定最小数据集、通用数据元素和标准化结局，采用SNOMED CT、LOINC和HL7 FHIR等标准实现互操作，并通过隐私保护联邦学习进行多中心评估。
4.2 模型开发。下一代移植基础模型应围绕移植原生的临床结构设计，采用领域自适应预训练、指令微调、检索增强推理和多模态持续学习。研究得出，模型应学习器官质量、免疫相容性、手术事件、免疫抑制和患者轨迹的联合表征；基于反事实推理的动态模型可辅助模拟替代治疗方案或分配决策，但只能起辅助作用而不可替代临床判断。
4.3 临床评估与验证。评估需超越AUROC，涵盖校准、不确定性量化、种族与地域等亚组公平性、儿科与成人差异、工作流程整合以及临床标准比较。研究得出，短期应进行按时间顺序的多中心回顾基准测试；中期应开展静默试验、临床医生参与评估和务实多中心研究；长期需持续监测模型漂移、幻觉、不安全推荐、临床结局和成本效益。
4.4 部署与治理。由于移植模型输出可影响稀缺器官的获取，人类监督不是可选附加项，而是结构性要求。研究得出，最终决定权必须留在临床团队，模型仅用于呈现证据、标记不确定性和辅助判断；近期使用应限于委员会准备、器官提供总结和移植监测分诊，并具备不确定性可视化、临床医生否决权和审计追踪；需建立持续治理框架，涵盖法规、责任、上市后监测及国际公平可及。
讨论部分指出，移植不应被当作通用医疗基础模型的下游应用，也不应被碎片化为孤立预测任务。其中心贡献是将供者–受者–移植物生态系统而非个体患者或单项任务确立为移植AI的组织单位。该文强调，近期优先事项不是扩大模型规模，而是统一供者–受者–移植物数据、构建有临床意义的多模态表征、开展多中心验证、进行校准与不确定性评估，并在真实临床工作流中受控应用。研究结论是：早期使用应保持受限和辅助性，以与移植生物学、临床工作流程、患者安全和伦理分配的兼容性为评判标准，而非仅依据模型规模；值得构建的模型应尊重移植生物学、融入现行临床实践、保护患者，并促进公平获取稀缺器官。
