此页面由机器翻译成中文。 查看英文原版。
计算精神病学家，系统医学和数字双胞胎研究人员，医疗AI工程师，以及应用主动推理解决临床和生物医学问题的研究所 fellows。
医学中的不确定性下的推理：患者的生成模型，基于预测误差的病理学，以及期望自由能治疗计划
在本页
主动推理和自由能原则重新诠释了医学的核心活动——诊断、治疗选择以及维持生理稳定性——为在不确定性下构建和更新生成模型的过程。该领域在几个专业（精神病学、疼痛医学、神经学）的概念上已经成熟，但在经验上还很早：大多数模型是理论性的、现象学的或基于模拟的，几乎没有完全部署的临床系统。本页概述了为什么医学适合这一框架，目前文献的状态，存在哪些具体的项目和工具，以及仍然缺乏哪些证据。
医学本质上是关于不确定性下的感知和行动：临床医生从嘈杂的迹象和数据中推断潜伏的疾病状态，并选择行动以引导患者朝向 preferred 状态，而患者则从身体感觉的意义上进行推理并根据这些推理行事。自由能原则将稳态和异化态重新定义为推理问题，其中生物体持有关于理想生理范围的先验信念，并在这些范围被违反时选择最小化预期自由能的动作。许多疾病可以理解为推理和控制失败——代谢紊乱被视为能量平衡生成模型的故障，情绪障碍被视为内脏预期失衡，而慢性疼痛则被视为痛觉预测误差的过度精确权重。该框架还已扩展到形态发生学领域，在那里组织被建模为相对于目标形态最小化自由能的细胞群体，从而将癌症和纤维化等条件视为集体推理失败的一种平行解读。
心理学是最成熟的应用领域：Moutoussis、Friston 及同事的 2024 年评论认为，主动推理可以统一心理学子学科，涵盖焦虑、抑郁、精神分裂症和自闭症作为先验、精度和政策选择中的扰动；Badcock 和 Friston 将抑郁症解释为遵循悲观先验关于奖励的世界采样；Barrett 和 Simmons 及 Smith 和 Friston 的工作将内脏感知推理与内脏感知先验和精度的失衡联系起来，以及神经学紧随其后，在 Schwartenbeck 及同事 2021 年 Brain 纸张中，将运动视为预测感官轨迹实现的方式，并分析帕金森病、 dystonia 和功能性运动障碍作为这种预测机制失败。疼痛和安慰剂研究（Geuter et al.；Ciaunica et al.）模型安慰剂/非安慰剂效应和慢性疼痛为内皮质主动推理账户中的痛觉预测误差的先验和精度变化。在各个专业领域中，模式重复出现：强大的理论发展、不断增加的行为和神经成像建模，但几乎没有直接比较主动推理与其他框架（如强化学习或经典贝叶斯模型）的研究。
基于主动推理的个性化癌症治疗通过信念空间控制提出了一种预期自由能目标，用于肿瘤负担和药物敏感性。这种治疗方法平衡了减少对肿瘤反应不确定性的策略与最大化有利结果之间的关系——在模拟患者轨迹上进行了验证，尚未应用于临床。Pezzulo等人提出的‘主动数字双胞胎’不仅模拟患者，还建议测试、治疗和生活方式改变，并从结果中更新生成模型，使用预期自由能进行政策选择。Van de Laar等人的机器人工作将基于主动推理的控制器直接转移到手术机器人、康复设备和辅助系统上。2025年《自然数字医学》文章提出了一种基于主动推理启发式提示策略来提高LLM驱动的医疗决策支持系统的可靠性，将其视为人类-LLM互动中的耦合推理。在软件方面，报告指出通用工具——如SPM用于神经影像/行为数据的贝叶斯模型逆向求解器和社区Python库pymdp用于马尔可夫决策过程生成模型——已适应到这些医疗用途中，但尚未存在标准化的医学主动推理库。
报告指出，实证验证和模型比较是最大的缺口：精神病学、疼痛管理和神经学中的主动推理模型需要在真实患者数据上与强化学习、漂移-扩散和经典贝叶斯替代方案进行头对头测试，而不仅仅是模拟。可识别性和患者的异质性是第二个挑战——生成模型携带许多潜变量（先验、精度、转移概率）很难从临床设置中常见的稀疏且嘈杂的数据中唯一地估计出来，这促使了群体层面的先验和可识别性优化的测量设计。将主动推理与深度学习和LLMs集成（使用神经网络来参数化观察/转换模型，而主动推理负责策略选择）被标记为一个开放的研究前沿而非已解决的模式。最后，临床转化提出了未解决的监管和伦理问题——适应性、持续更新的概率系统不符合旨在固定算法的监管框架，并呼吁在广泛部署之前进行临床医生与患者信任的试点研究，同时就自由能原理是否足够具有可证伪性以作为所有竞争范式的对手这一概念辩论中提出。
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. 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. Lancelot Da Costa, Thomas Parr, Noor Sajid, Sebastijan Veselic, Victorita Neacsu, Karl J. Friston (2020). Active inference on discrete state-spaces: A synthesis. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2020.102447.
关键表面
预期自由能让一个肿瘤治疗策略选择初始探索药物剂量，专门为了减少对肿瘤敏感性的不确定性，而不是仅仅最大化即时期望收益。
慢性病的数字双胞胎不仅模拟患者，还会推荐检查和治疗，并在结果到来时修订其生成模型。
跨精神病学、肿瘤学和机器人技术，文献概念丰富，但几乎完全基于模拟或小规模实验，尚未报告任何已部署的临床主动推理系统。
相关资源
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.