AstraZeneca病理学家Reis-Filho：肿瘤AI要走多模态加时间嵌入，验证一步不能省

一句话结论

国际知名肿瘤病理学家、加入 AstraZeneca 肿瘤研发团队数月的 Jorge Reis-Filho 在 Owkin 播客中给出了一套肿瘤 AI 落地路线图：当前的肿瘤 AI 大多停留在静态预测，真正的跃升来自把多模态数据（病理、影像、空间组学、临床）通过时间嵌入整合进一个语义层，让模型预测”方向”而不是”快照”；空间生物学潜力未兑现的根源是数据量级还差一到两个数量级；临床开发里的患者筛选会在两三年内先兑现价值；而无论技术多前沿，独立数据集验证一步都不能省。

从静态预测到时间嵌入：多模态数据需要一个语义层

访谈开场不久，Reis-Filho 就点出了他当前最着迷的技术方向：把不同模态的数据通过一个语义层整合起来，再叠加时间嵌入（temporal embeddings），让模型在多个时间点上追踪同一个对象，做出”非静态”的预测。

他用消费级可穿戴设备举了个直观的例子：手腕设备给出的 V2 max（最大摄氧量）等绝对数值与生理实验室实测相比往往是错的，但这不是重点——重点是方向性和时间序列，是你持续改善的趋势。一旦把时间维度嵌入模型，模型能提供的信息量会大幅增加。他判断，生物制药和医学界目前仍在做大量静态预测，这是下一个要被改写的地方。

对 AI 从业者的启示很具体：如果你在医疗或健康场景做预测模型，先检查自己的特征管线是不是只有单时间点快照。把多个时间点的数据接入模型、训练它预测变化方向，是当前被低估、且数据条件正在成熟的改进路径。

空间生物学的潜力为什么没兑现：数据量级差一到两个数量级

空间生物学（spatial biology）曾被评为”年度技术”，但 Reis-Filho 直言其潜力远未兑现，原因不在技术本身，而在已开展实验的规模：要从这类颗粒度极高的数据里充分提取特征，需要体量足够大、多样性足够好的数据来训练基础模型，而现状离这个标准还差一到两个数量级。

他给出的解法是联合体（consortium）模式：他参与的 MOSAIC 项目由五个中心组成，已经构建了肿瘤领域最大的空间生物学数据集，并且还在扩展。他呼吁整个社区一起行动，因为训练空间生物学基础模型动辄需要百万级患者规模的数据，还需要跨模态、跨尺度的横向数据——这不是任何单一机构能独立完成的任务。

对面临类似处境的团队，这是一个可复用的判断框架：当你的模型目标需要的数据量级超出自身储备时，先评估联合共建数据集的可行性，而不是用小数据硬训大模型。

临床开发两三年内先兑现：用计算方案做患者筛选

Pharma 内部流传的论点是”AI 将改变制药的一切”——从加速药物发现、改造临床开发到优化临床运营。Reis-Filho 的判断更有时序感：在两到三年的时间窗口内，AI 的价值会最先在临床开发端被感受到，具体方式是整合不同数据模态、使用计算方案把患者筛选做得更好——也就是在试验入组前就预测哪类患者最可能获益。

而更上游的新靶点、新发现和转化研究会更慢，即便所有流程都自动化了，临床试验本身的时间无法压缩——一套系统至少要完整跑通两轮，才有资格谈论验证。他强调：“除非你在患者和生物学里验证，否则一切都只是假设。“他还补充了一个行业时点的观察：药企 CEO 们被市场要求在几个月内拿出直接的管线价值，而构建真正的 AI 基础设施需要更长的耐心——“两者都应该做”，但要知道哪部分价值在哪个时间窗兑现：新药发现与翻译层面的兑现周期更长，AI 在临床开发端（患者筛选、计算方案）则能更快看到回报。他判断”2 到 4 年内通过多模态数据加时间嵌入、经由空间生物学带来的创新”是被行业低估的一块，值得向高管层展示”新生物学解锁新管线价值”的具体案例。

访谈中还出现了一段关于数据孤岛的回顾：90% 的胶质母细胞瘤试验结果是阴性的，药企之间连治疗组数据都不分享——这是 Clozel 当年创业的原始动机。两人都认为 Covid 之后行业协作意愿有所改善，联合共建数据的土壤比十年前好得多。

验证不可绕过：前沿技术不给你”诗性豁免权”

这是整场访谈最硬的一条红线。Reis-Filho 说，使用尖端技术并不能给你绕过验证的”诗意许可”（poetic license）。他引用 ASCO 生物标志物指南的原则：可解释性不是强制的，是”值得拥有”；但在独立数据集上的验证是绝对必须的。

他对药物研发各环节的验证要求做了拆解：生物标志物要验证，药物可开发性要验证，端到端旅程也要验证。而且这不可能由单一主体完成——需要科技公司、药企、专业 AI 公司、支付方、监管机构、医院系统和患者组织一起上桌。他在 AstraZeneca 的做法就是构建这样一个合作生态：超大规模云厂商、前沿 AI 实验室、专业 AI 公司、学术界，再加上患者倡导者这第五条轨道——因为没有患者的声音，就很难做好优先级设计。

拐点已经过去：赢家的配方是”领域知识 + 技术能力 + 基础设施”

“我们已经越过了拐点。“Reis-Filho 所说的拐点，是指智能的民主化——过去极度稀缺的智能能力，现在已经普及。在这个前提下，他认为未来的赢家是把三样东西凑齐的公司：领域知识、技术专长，以及覆盖算力、模型、智能体和数据的基础设施。配上正确的问题，这三者结合就能改变一个领域。至于是药企被 AI 全面改造，还是 AI 原生公司反向收购药企能力，他坦承不知道，但方向已定。

他同时提醒：AI 挑战不只是技术挑战，更是人、流程和文化的挑战。技术可以靠与前沿 AI 实验室合作解决，但真正把 AI 融入生态、学会”透过 AI 提问”而不是”用 AI 提问”的公司才会赢。这个标准已经进入他的招聘实践：他招募的人必须理解 AI、对把 AI 融入所有流程持开放心态——他在面试中会专门测试候选人是”用 AI 思考”还是”透过 AI 重新设计流程”，后者才是他要的人。

作为医生出身的领导者，他对”紧迫感”的来源也有一段真诚的表述：当他早晨走进工作室，想的是尽快收治新患者、帮到他们。他不在乎一款药是不是完全由 AI 研发——他在乎的是药物能否以比传统流程快得多的速度推进到临床试验，在乎缓解率能不能达到 customary 水平的两到三倍，在乎药物组合能不能做到”协同增效而不协同中毒”。统计数字面向人群，但每个患者的故事都不同——每个人都有家庭、有正在经历的事情的个人意义。把这种紧迫感带回团队，使命才更有分量。

他还把这套思维带回了家庭教育：他十岁的儿子成长环境里，知识获取已完全民主化——通过模型、配合正确的上下文微调，可以做到极其精确的颗粒度。既然”知识积累”已被解决，下一代的价值在于完全跳出框框思考、以非线性的方式连接点子。他要教儿子的是”如何与 AI 安全地互动”——包括如何批判性地理解内容：内容不再只是某个时刻的记录，而是带着意图的产物，要追问”为什么有人做这个内容、做的人是谁”。

接下来该建什么：三个组件

被问到”今天还不存在、但最值得建的东西是什么”，Reis-Filho 给了三个组件：

第一，上下文能力。生物学极度依赖上下文——在房间里把一个人的体温改变一度，一切都会变。模型必须对上下文敏感。

第二，领域专用基础模型。它们要能高效完成特征提取，生成可利用潜空间中非线性关联的嵌入表示——这是从空间生物学这类高颗粒度数据里榨出信息的关键。

第三，语义层。让不同模态的数据以可解释的方式整合，并被推理模型调用。而且这三样必须放在同一个平台上——药企过去几年的困境就是合作”游乐场”里玩家太多、各自为战，未来需要收敛到少数几个特定平台上深度合作。

他的下一个突破赌注

在肿瘤学，他押注”鸡尾酒方案”（regimens）：通过数据驱动地合理组合治疗，产生与当下完全不同的缓解率与持久性。这背后的技术前提是理解免疫记忆——当前大多数 AI 模型的预训练数据并不包含微环境和免疫系统，随着更多带时间评估的空间数据产生，这一空白会被补上。

在非肿瘤领域，他看好生活方式治疗药物（包括体重管理）：GLP-1 类药物按低剂量隔日给药，将改变人群的健康基线。他顺带算了一笔”生产力账”：大家把 AI 当生产力工具谈论，但 GLP-1 让人不至于在 65 岁前死去，这才是史上最大的生产力提升——而这一项没用任何 AI。

他也提醒了反面变量：早发性结肠癌等新癌种的出现、微塑料等环境压力，会让 2035 年的癌症患病率表与今天完全不同——理解这张表的走向，才能提前布局下一波治疗与方案。

原文信息

• 原视频标题：The Owkin Podcast: Jorge Reis-Filho
• 频道：Owkin
• 讲者：Jorge Reis-Filho（肿瘤病理学家，AstraZeneca 肿瘤研发负责人之一）
• 发布日期：2026-02-10
• 视频时长：约 25 分钟