Apollo：以時序病歷整合全模態的醫療基礎模型
Apollo 是一個多模態、時序化的醫療基礎模型，訓練資料來自美國大型醫院系統逾三十年的病歷資料，涵蓋250億筆紀錄與720萬名病患、28種醫療模態與12個主要專科。模型將超過十萬種臨床事件、影像與文字統一成向量表徵，形塑一個醫療概念圖譜，並把整段病程壓縮為虛擬病人表示。
Apollo：整合全模態的時序病歷基礎模型
Apollo以長期、跨系統的臨床紀錄為基礎，提出把整段病程壓縮為可運算的「虛擬病人」表示，讓整體照護脈絡能被機器理解與推理。
研究使用美國大型醫院系統逾三十年的病歷資料，涵蓋數十億筆紀錄、720萬名病患、28種醫療模態與12個主要專科。Apollo在同一表示空間內整合超過十萬種臨床事件、影像與文字，構築一份醫療概念圖譜，將序列化的結構化與非結構化事件一併編碼。
為驗證這套全病人表徵的效力，團隊從保留測試集設計322項預後與檢索任務，橫跨疾病發生風險預測、病程進展、治療回應、不良事件風險到醫院營運指標。實驗顯示，Apollo嵌入向量在多項預測任務具泛化能力，並且在語義相似度檢索與以文字、影像為查詢的多模態檢索上有應用潛力。
透過特徵歸因分析，模型的重要預測來源可對應到臨床可解釋的多模態生物標記，顯示其在可解釋性與臨床線索挖掘上的價值。整體而言，Apollo為可計算醫學（computable medicine）提供一種把完整照護歷程變為可供運算推理之基礎設施的路徑。
延伸閱讀
- QuarkMedSearch：針對中文醫療的長航程檢索與可驗證強化學習
- DR‑Venus：在 4B 邊緣模型上以 agentic SFT 與 IGPO 回合層級 RL 實現長時程深度研究代理人
- 以透明篩選框架估算大型語言模型（LLM）推理能源與訓練碳排
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
