主动推理和医疗保健 | Active Inference Institute

在本页

部分

健康医疗涉及调节生物状态、减少疾病进程的不确定性，以及在证据不完整的情况下持续选择诊断和治疗行动——这些问题直接映射到主动推理的核心构建块：生成模型、预测误差、期望自由能和策略选择。过去十年来，围绕计算精神病学、内脏感知与疼痛、数字双胞胎、医疗机器人和技术安全使用作为临床决策支持工具的大语言模型的文献已经增长。大多数工作仍停留在理论或模拟层面，但计算精神病学和内脏感知心理障碍领域的综述已经开始巩固该领域，并且关于“主动推理AI”在医学中的概念路线图描绘了框架如何达到数字双胞胎、精准诊断和临床决策支持。

为什么这个域名合适

临床实践是不断从含混、部分和延迟的观察（症状、化验、影像）中推断隐藏的原因——疾病过程——然后选择行动（检查、治疗），必须平衡学习患者状况与改善结果之间的关系。主动推理将这一过程形式化为最小化预期自由能，这分解为知识价值（解决不确定性）和实用价值（实现偏好结果），从而提供诊断和治疗选择的单一变分解释。框架强调保持生理变量在可接受范围内也映射到自稳态和异稳态：内脏信号被视为观察值，调节设定点作为先验，焦虑、慢性疼痛或饮食障碍等病症则视为不准确生成模型或适应不良先验的结果。

文献状态

最成熟的成果位于心理学和精神病学：Badcock和Davey将主动推理视为学习、注意和精神疾病的潜在统一范式，而Kirchner等人则认为它可以通过生成模型的参数（先验、精度）来链接症状谱，并指导个性化治疗选择，例如通过过度悲观的先验和正向预测误差上的较低精度来建模抑郁症。内脏感知和疼痛构成了第二个集群：Paulus、Feinstein和Khalsa对内脏感知精神障碍的描述以及Petzschner等人关于内脏感知与稳态的研究将焦虑、恐慌和功能性躯体障碍视为内脏推理失败，并提出一种特定的主动推理理论来解释如何通过更新来自矛盾痛觉信号的先验或忽略它们作为噪声，从而产生不同的安慰剂轨迹。Pio-Lopez等人将这一框架扩展到形态发生学领域，提出细胞和组织水平的过程以最小化自由能的方式工作，这有可能最终重新定义癌症、纤维化和再生医学，尽管这一点仍具有推测性。一项决策研究（新颖性和可变性的新奇性/可变性，通过eLife发表）为该领域提供了最清晰的实证对比，显示主动推理模型在解释行为及其神经相关联的探索方面优于标准的强化学习。

关键项目和工具

报告发现没有广泛采用的、专门用于医疗领域的主动推理软件；研究人员目前将通用目的的主动推理库和定制的概率编程代码适配到临床构架中，主要用于模拟和参数拟合而不是部署系统。有三种命名的应用模式脱颖而出，作为最接近具体项目的例子：ScienceDirect架构下的“主动数字双胞胎”体系结构，利用主动推理让患者或器官模型能够主动寻求信息而非被动地进行模拟；癌症期刊上关于“主动推理AI与空间网络在医学中的应用”的概念报告描述了虚拟肿瘤会议，其中数字双胞胎在不同的治疗策略下被探索；以及，在机器人领域，皇家学会界面案例研究和Da Costa等人综述展示主动推理驱动真实的机器人运动控制，并且提出了清晰的扩展方案以应用于假肢和康复。2025年《npj 数字医学》论文提出将临床LLM提示本身视为选择最小化模型输出期望自由能的主动推理策略，旨在针对基于LLM的医疗设备进行治疗。

未解之题

中央的缺口是验证：关于抑郁、内脏感知或安慰剂反应的主动推理模型，很少被测试其预测能力以对抗临床结果，也没有严格地与更简单的模型进行比较。该领域需要标准化的建模规范、交叉验证和前瞻性试验流程。构建医疗健康所需的层次化、多尺度、跨模式生成性模型——将分子、器官和行为数据连接起来——仍然是技术上的难题，有关状态空间设计、缺失数据以及大规模推理算法的问题依然存在。伦理和监管问题尚未解决：如何编码偏好（生存、症状缓解、生活质量）作为先验概率，如何防止生成模型从历史数据中继承偏见的先验概率，以及如何限制探索性（先验知识）行动以确保它们不会引入临床风险。报告将数字双胞胎、主动推理AI和LLM提示策略视为概念上的且基本未部署的技术，并呼吁在有人监督的角色试点决策支持角色之前，任何向更自主的临床使用迈进的步伐。

参考主干

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 (2015). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2015.09.001. 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, morphogenesis, and computational psychiatry. Frontiers in Computational Neuroscience. DOI: 10.3389/fncom.2022.988977. Matteo Torzoni, Domenico Maisto, Andrea Manzoni, Francesco Donnarumma, Giovanni Pezzulo, Alberto Corigliano (2026). Active Digital Twins via Active Inference. Engineering Applications of Artificial Intelligence. DOI: 10.1016/j.engappai.2026.114519. Dan Mapes (2025). Active Inference AI and the Spatial Web for Medicine: A New Paradigm for Medical Research, Treatment, and Education. The Cancer Journal. DOI: 10.1097/PPO.0000000000000798. Aida Brankovic, David Cook, Jessica Rahman, Alana Delaforce, Jane Li, Farah Magrabi, Federico Cabitza, Enrico Coiera, DanaKai Bradford (2025). An active inference strategy for prompting reliable responses from large language models in medical practice. npj Digital Medicine. DOI: 10.1038/s41746-025-01516-2. Léo Pio-Lopez, Ange Nizard, Karl J. Friston, Giovanni Pezzulo (2016). Active inference and robot control: a case study. Journal of the Royal Society Interface. DOI: 10.1098/rsif.2016.0616.

最佳下一步行动