Generative Medical Event Models Improve with Scale：Curiosity模型在1.15亿患者数据上验证医疗事件预测的规模定律
2025年8月，论文发布Curiosity系列模型，基于Epic Cosmos数据集（3.1亿患者、163亿次就诊、1150亿医疗事件）进行预训练。最大模型10亿参数，在78项真实任务上（诊断预测、预后、运营）无需微调即超越或匹配任务特定监督模型。首次在医疗事件数据上验证了计算、数据、模型大小的幂律缩放关系。
发展脉络
- 首次出现Generative Medical Event Models Improve with Scale：Curiosity模型在1.15亿患者数据上验证医疗事件预测的规模定律arXiv cs.AI
- 当前判断该工作对医疗信息化和AI辅助决策行业有重大影响。Epic Cosmos作为最大规模的医疗事件数据集，其开放程度将影响行业竞争。Curiosity模型表明，通用医疗基础模型可以替代大量任务特定模型，降低开发和维护成本。医院和保险机构可考虑部署此类模型用于风险分层、资源规划和临床决策支持。Agent Pulse · 分析
该论文证明了医疗事件序列建模的规模定律：随着模型和数据规模增大，预测性能持续提升。Curiosity模型在零样本/少样本设置下，在诊断、预后、运营等任务上超越传统监督模型，展示了通用基础模型在医疗领域的潜力。这改变了以往认为医疗数据稀疏、需要大量领域定制的认知，为构建可扩展的医疗AI基础设施提供了实证基础。
Curiosity采用decoder-only Transformer架构，在1150亿医疗事件（151B tokens）上预训练，使用自回归方式预测下一个医疗事件。研究系统性地测试了不同模型大小（从数百万到10亿参数）和训练数据量，发现性能与计算量呈幂律关系，且最优模型符合Chinchilla法则。在78个任务上，通过模拟患者历史轨迹进行推理，无需任务特定微调。例如，在诊断预测任务上，Curiosity 10B模型AUC达到0.92，超过使用相同数据训练的监督模型（0.90）。
该工作对医疗信息化和AI辅助决策行业有重大影响。Epic Cosmos作为最大规模的医疗事件数据集，其开放程度将影响行业竞争。Curiosity模型表明，通用医疗基础模型可以替代大量任务特定模型，降低开发和维护成本。医院和保险机构可考虑部署此类模型用于风险分层、资源规划和临床决策支持。
建议医疗IT供应商评估Curiosity模型或类似基础模型，以替代多个单任务模型，降低集成成本。医院可探索将其用于患者风险预测和资源调度。投资者应关注拥有大规模医疗事件数据的公司（如Epic、Cerner）以及基于此类数据构建基础模型的初创企业。
关注Epic是否开放Cosmos数据集或与第三方合作；Curiosity模型是否开源；以及更大规模模型（如100B参数）的性能提升。同时需验证模型在不同医疗系统、不同人口群体上的泛化能力，以及在实际临床工作流中的部署效果和安全性。