SPORTS JOURNAL · FEATURE STORY

记录赛场动向,也分享体育世界里的细节与观察。

从理解生命到重塑药物研发,AI正在改变什么?|对话华盛顿大学王晟

据天博体育整理:

一个患者的病理切片、CT、基因组和蛋白质组数据,能不能被 AI 放在一起分析?

如果模型不仅能识别疾病,还能理解一个人的生物学状态,甚至预测疾病接下来会如何发展,医学研究会发生什么变化?

这是华盛顿大学助理教授王晟近年来一直在探索的问题。

从基因功能预测、单细胞分析,到数字病理和多模态医学基础模型,他的研究方向几经变化,但始终围绕着一个目标:让 AI 从越来越复杂的生物医学数据中,理解生命系统的运行规律。

过去几年,他与微软研究院等机构合作开发了多款生物医学 AI 模型。

从能够分析大规模全切片病理图像的 GigaPath,到尝试统一处理九种医学影像的 BiomedParse.

.

.

.

.

他的研究逐渐从单一数据类型走向多模态医学基础模型。

2026 年,他入选《麻省理工科技评论》“35 岁以下科技创新 35 人”(TR35)亚太区名单。

但在王晟看来,模型能力的提升只是其中一部分。

随着 AI 逐渐能够处理越来越复杂的数据,研究人员面临的难题也在发生变化:不同尺度的生物医学数据如何建立联系?

如果模型缺少某种关键信息,能不能反过来设计实验、改进仪器,获得自己需要的数据?

这个问题正在变得更加现实。

about image

2026 年,OpenAI、Anthropic 等人工智能公司相继加大对生命科学的投入。

它们不再满足于让模型阅读论文、分析数据和提出假设,而是开始与药企合作、建立实验室,尝试将 AI 引入真实的药物研发流程。

近日,DeepTech 和王晟聊了聊。

我们从他这些年的研究方向变化聊起,谈到多模态模型如何整合不同类型的数据、患者世界模型距离实现还有多远,以及 AI 公司纷纷进入生命科学领域后,科研和药物研发可能发生的变化。

在他看来,生物医学可能成为 AI 下一阶段最重要的突破方向之一。

但要真正实现这一目标,AI 需要跨越的,不只是模型性能的门槛,还有数据、实验和科学验证的门槛。

从病理切片到多模态模型,AI 还需要理解更多信息 王晟的研究方向并不是一开始就集中在医学影像上。

早期,他主要研究知识图谱和基因功能预测。

当时,图神经网络等方法在图数据分析中取得了明显进展,他开始思考,这些技术能否解决生物医学领域的问题。

随后,单细胞组学兴起,他又将研究重点转向细胞类型识别。

ChatGPT 的出现,则让他意识到,大规模基础模型可能为生物医学研究提供新的解决方案。

“作为一名交叉学科研究者,我们的核心思路就是结合 AI 领域的新技术,以及生物医学领域出现的新问题和新发现,寻找值得研究的交叉方向。

”王晟说。

在这些方向中,医学影像尤其是病理图像,成为团队重点探索的领域。

一张全切片病理图像可能达到 4 万×4 万像素,包含大量细胞形态、组织结构及空间关系,既有足够大的数据规模,也有复杂的特征需要模型学习。

团队开发的 GigaPath 就是这一探索的代表,它能够分析大规模全切片病理图像。

研究团队利用来自 Providence 的 171,189 张全切片病理图像、超过 3 万名患者的数据进行预训练,覆盖 31 种主要组织类型。

在 26 项评测任务中,该模型有 25 项取得了最优表现。

图 | GigaPath 在视觉语言任务中的应用

关注天博体育,掌握更多体坛动态。

返回资讯列表

分享这篇文章

把感兴趣的体育内容分享给朋友。