Здравоохранение касается регулирования биологических состояний, снижения неопределенности в отношении болезненных процессов и постоянного выбора диагностических и терапевтических действий при неполных данных — набор проблем, который напрямую соответствует основным конструкциям активного вывода: генеративным моделям, ошибке предсказания, ожидаемой свободной энергии и выбору политики. За последнее десятилетие выросла литература вокруг вычислительной психиатрии, интероцепции и боли, цифровых двойников, медицинской робототехники и — совсем недавно — безопасности больших языковых моделей, используемых в качестве инструментов поддержки принятия клинических решений. Большая часть этой работы остается теоретической или основанной на симуляциях, но обзоры в вычислительной психиатрии и интероцептивной психопатологии начали консолидировать эту область, а концептуальные дорожные карты для "Active Inference ИИ" в медицине показывают, как эта структура может достичь цифровых двойников, точной диагностики и поддержки принятия клинических решений.
Почему домен подходит
Клиническая практика — это непрерывная инференция скрытых причин — патологических процессов — из шумных, неполных и задерженных наблюдений (симптомов, лабораторных данных, изображений), за которой следует выбор действий (исследования, лечение), который должен сбалансировать обучение о состоянии пациента против улучшения результатов. Активная инференция формализует это как минимизацию ожидаемой свободной энергии, которая распадается на эпистемическую ценность (разрешение неопределенности) и прагматическую ценность (достижение предпочтительных результатов), предоставляя единую вариационную интерпретацию выбора диагноза и лечения. Подчеркивание фреймворком поддержания физиологических переменных в пределах допустимых границ также соответствует гомеостазу и аллостазу: интероцептивные сигналы рассматриваются как наблюдения, заданные точки регулирования — как априорные вероятности, а такие расстройства, как тревога, хроническая боль или расстройства пищевого поведения, являются следствием неточных генеративных моделей или дезадаптивных априорных вероятностей.
Обзор литературы
Наиболее зрелые работы находятся в психологии и психиатрии: Badcock и Davey рассматривают активное инференцию как кандидата в унифицирующую парадигму для обучения, внимания и психопатологии, а Kirchner et al. утверждают, что она может связать профили симптомов с параметрами генеративной модели (приоры, точность) для направления персонализированного выбора лечения, например, моделирование депрессии посредством чрезмерно пессимистичных приоритетов и сниженной точности при предсказаниях положительных ошибок. Интерфероцепция и боль составляют вторую группу: отчет Паулуса, Феинштейна и Хальсы об интерфероцептической патопсихологии и обзор Петцшнером et al. о интерфероцепции и аллостазии рассматривают тревогу, панику и функциональные соматические расстройства как сбои в активном инференционном процессе, а конкретная теория активной инференции обезболивающего действия объясняет, как мозг либо обновляет приоритеты из противоречивых болевых сигналов, либо отбрасывает их как шум, что приводит к отклоняющимся траекториям плацебо-эффекта. Pio-Lopez et al. расширяют эту структуру до морфогенеза, предлагая, что клеточные и тканевые процессы минимизируют свободную энергию способами, которые в конечном итоге могут переосмыслить рак, фиброз и регенеративную медицину, хотя это остается спекулятивным. Исследование принятия решений (нововность/изменчивость, опубликованное в eLife) предлагает наиболее ясную эмпирическую встречу на равных в этой области, показывая, что модели активной инференции превосходят стандартное обучение с подкреплением в объяснении как поведения, так и нейронных коррелятов исследования.
Ключевые проекты и инструменты
В отчете не обнаружено широко используемого специализированного программного обеспечения для активного вывода в здравоохранении; исследователи в настоящее время адаптируют библиотеки активного вывода общего назначения и пользовательский код вероятностного программирования к клиническим конструкциям, в основном для моделирования и подгонки параметров, а не для развернутых систем. Три названных шаблона приложений выделяются как наиболее близкие к конкретным проектам: архитектура ScienceDirect для «активных цифровых двойников», которые используют активный вывод, чтобы позволить моделям пациентов или органов активно искать информацию, а не пассивно моделировать; концептуальный отчет Cancer Journal о «Active Inference ИИ и пространственной сети для медицины», описывающий виртуальные онкологические консилиумы, где цифровые двойники исследуются при различных стратегиях лечения; и, в робототехнике, тематическое исследование Royal Society Interface и обзор Да Коста и др., показывающие активный вывод, управляющий реальным управлением двигателем робота, с четкими расширениями, намеченными для протезирования и реабилитации. В статье npj Digital Medicine 2025 года предлагается рассматривать сами подсказки клинических LLM как политики активного вывода, выбранные для минимизации ожидаемой свободной энергии по выходным данным модели, предназначенные для медицинских устройств на основе LLM.
Открытые проблемы
Центральная проблема — это валидация: модели активного умождения о депрессии, изотонии или эффекте плацебо редко тестировались на предмет предсказательной силы в отношении клинических исходов или сравнивались с более простыми моделями, и в этой области нужны стандартизированные пайплайны для спецификации моделей, кросс-валидации и проспективных испытаний. Создание иерархических, многомасштабных, мультимодальных генеративных моделей, которые требуются здравоохранению — связывание молекулярных, органных и поведенческих данных — технически сложно, с открытыми вопросами о проектировании пространства состояний, пропущенных данных и алгоритмах инференции в масштабе. Также остаются нерешенными этические и нормативные вопросы: как предпочтения (выживание, облегчение симптомов, качество жизни) следует кодировать как априорные вероятности, как предотвратить передачу предвзятых априорных вероятностей генеративными моделями из исторических данных и как ограничить исследовательские (эпистемические) действия, чтобы они не приводили к клиническим рискам. В отчете цифровые двойники, Active Inference AI и стратегии подсказок LLM рассматриваются как концептуальные и в основном неразработанные, предлагается проводить пилотные роли поддержки принятия решений с участием человека перед любым переходом к более автономному клиническому использованию.
Опорный каркас
Карл Дж. Фристон (2010). Принцип свободной энергии: единая теория мозга? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Кристофер Л. Бакли, Чанг Саб Ким, Саймон МакГрегор, Анил К. Сет (2017). Принцип свободной энергии для действия и восприятия: математический обзор. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Томас Парр, Джованни Пеццуло, Карл Дж. Фристон (2022). Active Inference: Free Energy Principle в разуме, мозге и поведении. MIT Press. Джованни Пеццуло, Франческо Риголи, Карл Дж. Фристон (2017). Active Inference, гомеостатическая регуляция и адаптивный поведенческий контроль. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Пол Б. Бэдкок, Кристофер Г. Дэйви (2024). Active Inference в психологии и психиатрии: прогресс на сегодняшний день? Entropy. DOI: 10.3390/e26100833. Лукас Кирхнер, Анна-Лена Эккерт, Макс Берг (2022). От сломанных моделей к выбору лечения: Active Inference как инструмент для руководства клиническими исследованиями и практикой. Clinical Psychology in Europe. DOI: 10.32872/cpe.9697. Фредерике Х. Петцшнер, Сара Н. Гарфинкель, Мартин П. Паулюс, Кристоф Кох, Сахиб С. Халса (2021). Вычислительные модели интероцепции и регуляции тела. Trends in Neurosciences. DOI: 10.1016/j.tins.2020.09.012. Мартин П. Паулюс, Джастин С. Файнштейн, Сахиб С.