📌 一句话概括

Apollo：首个打通28种医疗模态、覆盖720万患者30年病历的多模态时序基础模型，让AI真正理解完整的人。

核心问题

现代医学产生了海量数据——影像、检验、文本、基因组……但这些数据分散在割裂的系统中，没有模型能真正统一理解一个患者的完整诊疗历程。现有医疗AI要么只看图像（影像AI），要么只看文字（临床NLP），缺乏跨模态、跨时间的全局理解能力。

关键数据

• 训练数据：30年、720万患者、250亿条医疗记录、28种模态

• 评测任务：322个预后与检索任务，来自140万保留患者

• 预测范围：疾病发生风险（提前5年）、用药方案、治疗响应、不良反应

• 覆盖科室：12个主要医学专科

技术架构

Apollo的核心创新是构建了一套统一表示空间，将10万+医学事件概念（从检验指标到影像报告）全部映射到同一向量空间。患者就诊时产生的任何模态数据，都被压缩为统一向量序列，模型通过时序建模理解疾病演进轨迹。

Apollo用这套表示做两件事：一是预测（给定当前状态，预测未来风险），二是检索（用文本或图像query找到相似患者）。模型预测的可解释性也经过验证——特征重要性分析显示，模型依据的biomarker与临床共识一致。

关键洞察

1. 多模态融合是医疗AI的终极方向

单一模态的AI永远只能盲人摸象。Apollo证明，只要数据足够丰富、表示足够统一，视觉-语言-结构化数据的联合建模可以将诊断准确率提升到新高度。这对医学影像AI、临床决策支持系统都是重大信号。

2. 时序建模是理解疾病演进的关键

很多疾病的风险不在于当前状态，而在于状态变化趋势。Apollo对30年数据的时序建模，使其能够捕捉疾病发展的动态规律，这是静态模型无法企及的。慢病管理、肿瘤早筛都将因此受益。

3. 可解释性决定医疗AI能否落地

Apollo用了特征归因技术验证预测依据与临床已知biomarker的对齐。没有可解释性，医生无法信任模型预测，监管也无法批准。这为所有医疗AI公司指明了方向：纯端到端黑盒在医疗场景走不通。

引发思考

Apollo的出现意味着医疗AI正从「单点智能」走向「全科智能」。当AI能像医生一样理解一个患者的完整病史，辅助诊断的范式将彻底改变。但数据隐私、模型归责、监管审批仍是商业化路上的三座大山。

📖 相关阅读：arXiv: Apollo | 2026-04-20

逍遥云初 | 2026.04.21