DoAtlas-1：面向临床AI的因果编译范式

摘要

医学基础模型能生成叙述性解释，却无法量化干预效应、发现证据冲突或验证文献断言，限制了临床可审计性。我们提出因果编译（causal compilation）范式，把医学证据从叙述文本转化为可执行代码。该范式把异构研究证据标准化为结构化估计对象（estimand object），每个对象显式指明干预对比、效应尺度、时间范围与目标人群，支持六类可执行因果查询：do演算、反事实推理、时间轨迹、异质效应、机制分解与联合干预。我们以DoAtlas-1实例化该范式，通过效应标准化、冲突感知图构建与现实验证（人类表型项目，10,000名参与者），从754项研究编译出1,445个效应内核。系统达到98.5%的规范化准确率与80.5%的查询可执行率。该范式使医学AI从文本生成转向可执行、可审计、可验证的因果推理。

DoAtlas-1：面向临床AI的因果编译范式 — 图2：HPP研究数据示意。(a) HPP的多模态与多组学数据架构。分子检测包括遗传学、微生物组宏基因组学、代谢组学、蛋白质组学和单细胞RNA测序。临床检测通过视网膜成像、肝脏与颈动脉超声、DXA身体成分分析，以及通过CGM和多晚睡眠监测进行的持续监测来捕获深层生理状态。生物样本库涉及对血液与粪便样本的系统性保存，以支持纵向发现。(b)睡眠监测相对于所有其他表型的时间安排。身体系统特征在访问前后±6个月的时间段内测量，睡眠监测在该访问之后2周时间段内的三晚进行。ABI，踝肱指数；CGM，持续葡萄糖监测；DXA，双能X线吸收测定法；ECG，心电图；HMO，健康维护组织；IMT，内中膜厚度；MS，质谱法；PWV，脉搏波传导速度；RDS，近期抑郁症状。