이 페이지는 기계 번역된 영어 페이지입니다. 영어 원본 보기
연구자들, 임상의사들과 인스퍼레이션 연구원들이 Computational Psychiatry, 내부感覺, 임상 의사 결정 지원 및 의료 AI 안전을 모델링 프레임워크로 활용하기 위한 활동에 참여하고 있습니다.
건강의료는 불확실성 관리 문제로, 숨겨진 질병 상태를 추론하고 기대 자유能을 기반으로 행동을 선택하는 것
이 페이지에서
의료는 생물학적 상태의 조절, 질병 과정에 대한 불확실성 감소, 불완전한 증거 하에서의 진단 및 치료 조치 지속적인 선택과 관련이 있습니다. 이는 생성 모델, 예측 오류, 예상 자유 에너지 및 정책 선택이라는 능동 추론의 핵심 구성 요소에 직접적으로 매핑되는 일련의 문제입니다. 지난 10년 동안 계산 정신의학, 내수용 및 통증, 디지털 트윈, 의료 로봇 공학, 그리고 가장 최근에는 임상 의사 결정 지원 도구로 사용되는 대규모 언어 모델의 안전성에 대한 문헌이 증가했습니다. 이 작업의 대부분은 이론적이거나 시뮬레이션 기반으로 남아 있지만, 계산 정신의학 및 내수용 정신병리학에 대한 검토는 이 분야를 통합하기 시작했으며, 의학 분야의 "Active Inference AI"에 대한 개념적 로드맵은 이 프레임워크가 디지털 트윈, 정밀 진단 및 임상 의사 결정 지원에 도달할 수 있는 방법을 제시합니다.
臨床practice是 continual inference of hidden causes — 病理过程 — 从 noisy, partial, 和 delayed 观察 (症狀，實驗室檢查，影像學檢查) 開始，然後是行動選擇 (測試，治療)，這必須平衡學習患者狀況與改善結果。Active inference 正式化了這一點為最小化期望自由能，它分解為 epistemic value (解決不確定性) 和 pragmatic value (實現預期的結果)，給出診斷和治療選擇的一個單一變分描述。架構強調維持生理變量在可接受範圍內也映射到 homeostasis 和 allostasis：interoceptive signals 被視為觀察，調節基準點被視為先驗，而如焦慮、慢性疼痛或飲食障礙等病症則是不正確生成模型或適應性先驗的後果。
심리학과 정신의학 분야에서 가장 성숙한 연구가 있습니다: Badcock과 Davey는 활동적인 인ference를 학습, 주시 그리고 정신질환을 통합하는 패러다임으로서의 잠재력을 탐구하고 있으며, Kirchner 등은 이론이 증상 프로파일과 생성 모델의 매개변수(우리가 가정한 사전 확률, 정밀도) 사이에 연결되어 개인화된 치료 선택을 지도할 수 있음을 주장합니다. 예를 들어 우울증을 과거적이고 부정적인 사전 확률과 감소된 정밀도로 모델링하는 방법입니다. 내재성 인지와 통증은 두 번째 클러스터가 됩니다: Paulus, Feinstein, 그리고 Khalsa의 내재성 심리학 질환에 대한 설명과 Petzschner 등이 내재성 인지와 알lost시스에 대해 리뷰를 통해 불안, 패닉, 기능적 유체질환은 내재성 인ference 실패로 해석됩니다. 그리고 특정한 활동적인 인ference 이론은_placebo 통증 완화가 어떻게 신경계가 대립하는 노사이zeń 신호로부터 사전 확률을 업데이트하거나 소음을 무시하여 다양한 플라제어 트레일러를 생성할 수 있는지 설명합니다. 피오-로페즈 등은 이 프레임워크를 형태학 생성에 확장하여 세포와 조직 수준의 과정이 자유 에너지를 최소화하는 방법으로 암, 유착증, 재생 의학을 다시 해석할 수 있음을 제안합니다. 그러나 이것은 여전히 추측적입니다. 결정지배 연구(새로운 다양성/변동, eLife를 통해 출판됨)는 활동적인 인ference 모델이 표준 강화 학습보다 행동과 신경 correlate에 대한 설명을 더 잘하는 것을 분명하게 입증합니다.
보고서에 따르면 널리 채택된 의료 분야별 능동 추론 소프트웨어는 없습니다. 연구자들은 현재 일반적인 능동 추론 라이브러리와 맞춤형 확률 프로그래밍 코드를 임상 구성에 적용하고 있으며, 주로 배포된 시스템보다는 시뮬레이션 및 매개변수 적합성을 위해 사용합니다. 세 가지 명명된 애플리케이션 패턴이 구체적인 프로젝트에 가장 가까운 것으로 두드러집니다. 환자 또는 장기 모델이 수동적으로 시뮬레이션하는 대신 능동적으로 정보를 탐색하도록 능동 추론을 사용하는 "능동 디지털 트윈"을 위한 ScienceDirect 아키텍처; "Active Inference AI 및 의학을 위한 공간 웹"에 대한 Cancer Journal 개념 보고서로, 다양한 치료 정책 하에서 디지털 트윈이 탐색되는 가상 종양 보드를 설명합니다. 그리고 로봇 공학에서는 Royal Society Interface 사례 연구와 Da Costa 등의 검토에서 능동 추론이 실제 로봇 모터 제어를 구동하는 것을 보여주며, 보철 및 재활을 위한 명확한 확장이 제시됩니다. 2025년 npj Digital Medicine 논문은 LLM 기반 의료 기기를 목표로 모델 출력에 대한 예상 자유 에너지를 최소화하도록 선택된 능동 추론 정책으로 임상 LLM 프롬프트 자체를 처리할 것을 제안합니다.
중앙적 틈은 검증이다: 우울증 모델링, 인터오셉션, 또는 플라시보 응답을 포함한 활성 추론 모델들은 일반적으로 임상 결과와 비교하거나 철저하게 비교되지 않았으며, 의료 요구하는 고정형, 다수 스케일, 다모드 생성 모델링을 연결하기 위한 표준화된 프로세스가 필요하다는 것이 의학 분야에 대한 틈이다. 기술적으로 어려운 작업이지만, 분자, 기관 및 행동 데이터와의 링크를 만드는 고정형, 다수 스케일, 다모드 생성 모델링을 요구한다. 상태공간 설계, 누락된 데이터, 그리고 대규모 인퍼전 알고리즘에 대한 오픈 질문이 있다. 또한 윤리적 및 규제적인 질문도 해결되지 않았다: 어떤 선호도(생존, 증상 완화, 생활 질)가 사전 확률로 어떻게 인코딩되어야 하는지, 생성 모델이 역사 데이터로부터 유전된 사전 확률을 어떻게 방지하는지, 그리고 탐색적 (epistemic) 행동을 얼마나 제한하여 임상 위험을 일으키지 않도록 하는지에 대한 질문이다. 보고서는 디트윈, 활성 추론 AI 및 LLM 피칭 전략을 개념적으로 다루며, 인간 감독 아래에서 시범적인 의사 결정 지원 역할을 수행하는 플랫폼으로부터 더 자율적인 의료 사용으로 이동하기 전까지는 어떤 움직임도 하지 않는다.
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Paul B. Badcock, Christopher G. Davey (2024). Active Inference in Psychology and Psychiatry: Progress to Date? Entropy. DOI: 10.3390/e26100833. Lukas Kirchner, Anna-Lena Eckert, Max Berg (2022). From Broken Models to Treatment Selection: Active Inference as a Tool to Guide Clinical Research and Practice. Clinical Psychology in Europe. DOI: 10.32872/cpe.9697. Frederike H. Petzschner, Sarah N. Garfinkel, Martin P. Paulus, Christof Koch, Sahib S. Khalsa (2021). Computational Models of Interoception and Body Regulation. Trends in Neurosciences. DOI: 10.1016/j.tins.2020.09.012. Martin P. Paulus, Justin S. Feinstein, Sahib S. Khalsa (2019). An Active Inference Approach to Interoceptive Psychopathology. Annual Review of Clinical Psychology. DOI: 10.1146/annurev-clinpsy-050718-095617. Léo Pio-Lopez, Franz Kuchling, Angela Tung, Giovanni Pezzulo, Michael Levin (2022). Active inference,
주요 표면
Active Infer. AII은 단일 생성 모델 형식이 세포 및 메모겐틱 과정, 기관 기능, 그리고 인지/행동 상태 사이를 연결하여 하나의 질환 모델 내에서 유당 섭취 장애나 정신질환과 같은 여러 수준 모델을 제안합니다.
진단과 치제 선택을 기대되는 자유 에너지로 점수 매기는 정책으로 봅니다 이론적 가치를 가진 검사(정보 획득)와 환자에게 부여될 상용적인 비용이나 위험성을 균형 잡아야 합니다
대부분 인용된 의료 적용 - 디트wins, Active Inference AI, LLM 주문 안전 전략 등은 개념적이나 시뮬레이션 기반이며 보고서는 실제 치병실에서의 실用화 전까지 임상 임식체험을 수행해야 함을 명시적으로 강조합니다.
관련 자료
Audience: Researcher
Research and publication-oriented repository for the Active Inference Journal.
Audience: Researcher
Continuously updated bibliography of Free Energy Principle and active inference papers, maintained in the open on GitHub.
Audience: Researcher
Synthesis paper on active inference over discrete state-spaces (Da Costa et al., 2020); a standard reference for the discrete formulation.