AI能预测GVHD，难在解释判断依据，曹易耕教授：多组学正反向解析其免疫学机制丨20

造血干细胞移植后移植物抗宿主病（GVHD）是影响患者预后的重要免疫并发症，发生机制复杂，临床预测和干预长期依赖经验与有限标志物。

近年来，人工智能模型开始进入移植领域，能够基于移植后免疫状态的动态轨迹预测GVHD，但“AI能预测、人类难解释”的问题随之浮现。与此同时，单细胞测序、基因组和蛋白质组学等多组学技术为反向解析AI判断依据提供了工具。

如何破解“AI能预测、人类难解释”的瓶颈，将GVHD的预测能力转化为机制层面的理解与精准干预？中国医学科学院血液病医院干细胞移植中心曹易耕教授在第29届中国临床肿瘤学会（CSCO）学术年会期间，接受国家卫生健康委员会百姓健康频道（CHTV）专访时指出，其团队自2020年部署的daGOAT算法，已可基于移植后免疫状态的动态轨迹提前识别GVHD高危患者，但模型判断背后的生物学依据尚不明确；为此，团队已通过单细胞测序、基因组和蛋白质组学等多组学手段，反向解析AI决策背后的生物学信号。

AI比人类更早“看见”疾病规律

曹易耕教授表示，daGOAT项目的核心目标非常明确——让人工智能帮助预测和发现哪些患者会出现GVHD。这并非停留在概念层面的设想：自2020年部署以来，团队持续发表论文、积累临床病例，相关算法已于2022年发表于国际期刊Nature Computational Science，目前已嵌入所在中心的临床信息系统，为移植患者提供动态风险评估，多中心临床研究亦在规划之中。从那时起，她和团队一边发表研究成果，一边把越来越多的临床病例“喂”给模型，让它在真实世界中不断学习和迭代。

但正是在投稿和后续研究的过程中，一个科学追问反复浮现。曹易耕教授指出，这个追问就是——“到底为什么人工智能能够识别出来这些患者，我们人类还不行”。这句话听起来像是一句感慨，但背后却是一层极具颠覆性的认知：AI看到的，可能恰恰是人类尚未学会看的东西。

在GVHD这样高度复杂的免疫事件中，临床医生依赖的是经验、指南、生物标志物和一套相对成熟的判断框架。但AI不依赖这些。它处理的是高维数据中那些微妙到人眼无法捕捉的模式——可能是血常规、肝肾功能等指标在特定时间窗口的细微波动，可能是多项指标此消彼长、联动变化的组合模式，也可能是指标之间人类尚未意识到的非线性关系。曹易耕教授坦言，“一定还是有潜在的一个免疫的指标，或者是说某一些靶向的分子可能我们还没有发现”。

AI替我们打开了一扇门，门后面是我们还没命名的免疫学空间。从这个角度看，daGOAT的价值远不止于提前预警和干预。它更像一个“探针”——当AI能够稳定地区分出会发病和不会发病的患者时，它实际上是在用数据告诉人类：你们的免疫学认知地图上，还有一块空白。这块空白，正是临床科学家下一步最该去的地方。

从AI黑箱到免疫学靶点，

一条反向追踪之路

曹易耕教授表示，从2020年开始部署daGOAT之后，团队持续发表文章，也一直在积累病例。截至目前，他们已经完成了单细胞、基因组与蛋白质组等多组学检测工作。这意味着，团队正将这些患者的多组学检测结果与daGOAT锁定的高危特征相互对照，试图找到AI所依据的那个生物学信号。

曹易耕教授指出，目前团队已经观察到部分初步线索，但相关结果尚未形成正式论文，现阶段仅在同行会议上进行口头汇报，期待后续可以公开发表完整数据。

这条科研路径的真正价值，在于它的方向是反过来的。传统研究通常是先提出假设，再设计实验去验证；而曹易耕教授团队的路径是：AI先给出结果，人类再去追问“它到底看到了什么”。这是一种“从AI到免疫学，再回到临床”的研究闭环——AI负责发现人类尚未察觉的规律，多组学负责把这条规律翻译成可理解的免疫学语言，临床则负责验证这套语言是否能转化为更精准的干预。

过去，医生根据临床特征和有限标志物来判断风险、调整用药；未来，如果AI捕捉到的那些高维模式能够被逐一翻译成明确的免疫学靶点或通路，干预就不再是“凭经验加码或减码”，而是“针对机制精准出手”。

AI时代，医生最稀缺的能力

是“发现科学问题”

当话题从AI的预测能力转向AI自主决策工具落地时，一个更贴近医生职业本质的问题浮出水面：血液科医生的能力结构正在被重新定义，青年人才的临床免疫学素养与科学素养之间，究竟应该形成怎样的配比？

曹易耕教授明确判断：数据收集和数据整理是基本功，但最重要的，是发现科学问题。这句话，放在AI已经能自动完成大量数据处理的今天，实际上已经重新划定了医生的核心价值边界——当机器接管了“分析”，人最该做的是“提问”。

曹易耕教授指出，无论是中国的大模型还是世界上的大模型，都在不断更新、不断迭代，确实越来越聪明，已经逐步能够提出一些问题。但如果深度交互就会发现，大模型提出的研究问题大多仍浮在文献水平。她认为，这类问题还停留在“没有和患者沟通过”的水平，缺少来自真实患者床边的一手临床视角。

AI的成果来自文献，医生的成果来自病床边。临床医生最重要的能力，是从临床中来、到临床中去。在临床中提出最核心的问题，然后在AI的帮助之下进行数据分析、数据收集，最终形成一个清晰的数据呈现。

对青年人才培养而言，这意味着临床免疫学素养与科学素养的配比，不是简单的课时分配问题，而是一个“问题从哪来”的方向性问题。好问题只能从病床边来，AI能帮你验证、帮你呈现，但它替不了你站在病床前的那双眼睛。

结语

曹易耕教授既承认了AI的强大，也坚信临床医生的不可替代——因为AI的成果浮在文献层面，而医生的成果则扎根在患者床边。

当AI能够预测GVHD却无法解释原因时，恰恰是临床科学家最该出场的时刻：把AI的“黑箱”翻译成免疫学的语言，把预测能力转化为机制理解。从2020年部署daGOAT，到如今单细胞测序、基因组和蛋白质组学等多组学数据的持续积累，曹易耕教授的团队正走在这条路上。

曹易耕教授的观点给同行的启示或许在于：AI不会取代医生，但会重新定义“好医生”的标准——不是知道答案的人，而是能提出好问题的人。而好问题，永远来自临床。