AITOPAI热报

Diseases

general · 首次出现 2026-05-23 · 最近出现 2026-10-15 · 累计提及 10

综述

Diseases（疾病）泛指影响生物体正常功能的病理状态，在 AI 领域正成为最活跃的应用场景之一——从农业上的作物病害识别，到医疗诊断编码、疾病传播建模和药物研发，机器学习方法正被广泛用于检测、预测和治疗各类 diseases。近期的研究与产业动态显示，这一方向的关注点正从单一任务的模型验证，转向跨病种的通用化能力与商业化落地。

Diseases 研究与产业的近期进展

  • 农业病害检测进入实用阶段。arXiv 论文 Detection of Potato Plant Leaf Diseases using Convolutional Neural Networks 用卷积神经网络识别马铃薯叶片病害，展示了深度学习在农业病虫害早期筛查中的可行性，这类低成本视觉方案对缺乏植保专家的地区尤具价值。
  • 跨病种迁移学习兴起。Transfer Learning using 66 Diseases for Disease Forecasting Applications 一文尝试用 66 种疾病的数据进行迁移学习，思路是把在常见疾病上学到的模式迁移到数据稀缺的病种预测任务上，反映出研究者开始关注模型在疾病间的泛化能力而非单病种刷分。
  • 大模型进入疾病分类流程。Automated ICD Classification of Psychiatric Diagnoses: From Classical NLP to Large Language Models 比较了传统 NLP 与大语言模型在精神疾病 ICD 编码自动化上的表现，显示 LLM 正在渗透到病历结构化这一医疗信息化的核心环节。
  • AI 药企向罕见病出手。Anthropic 宣布进军药物研发，明确瞄准大型药企因市场规模有限而无利可图的罕见病领域，这一动向引发业界对「AI 能否改变疾病治疗经济账」的讨论。

    • 当前焦点与观察点

    围绕 diseases 的 AI 应用，当前讨论集中在三个层面。其一是泛化问题：无论是 66 种疾病迁移学习，还是精神疾病的 ICD 自动编码，核心挑战都是样本稀缺病种上模型能否可靠工作。其二是商业化路径：Anthropic 选择罕见病切入，本质是用 AI 降低研发成本，让原本无商业价值的疾病变得可做，这可能重塑药企的研发优先级。其三是验证标准：农业病害识别等成果大多停留在数据集层面，真实田间和临床环境的落地效果仍缺乏独立评估。

    值得注意的是，OpenAI 也在公开内容中以疾病传播等为例展示其模型在科学推理上的能力，说明头部 AI 公司正把「理解疾病」作为衡量模型科学能力的重要试金石。对于关注这一领域的人而言，接下来值得跟踪的是罕见病药物研发的实际进展，以及跨病种模型能否在真实临床流程中通过监管与可靠性检验。

    相关报道

    9 条在档