未来的体检，可能不是多抽几管血，而是读懂身体每天留下的信号

最近看到一则关于“尿液活检”的新闻。

新加坡有一项早期研究，尝试从尿液中寻找肿瘤脱落的 DNA 和 RNA 片段，用来检测膀胱癌、前列腺癌和肾癌。

研究一共纳入 120 人。尿液检测对膀胱癌的检出率达到 92.3%；加入 RNA 分析后，前列腺癌的检出率也有所提高。但对肾癌的敏感度只有 14.3%。¹

所以，先不要把它理解成一种已经成熟的癌症筛查。样本量还小，不同癌症的表现差距也很大，后面还需要更大规模的临床验证。

这项技术的核心是液体活检，本身不一定依赖 AI。

但它让我想到一个问题：

以后我们说的“医学检查”，还会不会只是抽血、验尿、照 X 光？

Biomarker 不一定只是一个数值

过去提到生物标志物，我们通常想到血糖、胆固醇、肌钙蛋白、PSA，或者某个基因突变。

这些指标比较明确，也容易测量。

但人体每天产生的健康信息，远不止化验单上的几个数字。

一个人的声音有没有变得含糊，走路速度是不是慢了，心跳和呼吸的节律有没有变化，眼底血管长什么样，睡眠是否越来越碎，甚至皮肤和黏膜颜色的细微改变，都可能与健康有关。

这些信号过去不是不存在，而是很难稳定地测出来。

医生可以看出一个人脸色明显苍白、步态明显不稳，却很难长期追踪几个月内非常轻微的变化，也不可能同时分析一张照片中的几十万个像素、一段声音里的频率变化，再把它们和病史、血压、年龄放在一起计算。

这类工作，AI 确实比人更擅长。

它可以从大量数据中寻找人眼不容易发现的模式，也可以把几个单独看起来价值不大的信号组合起来。

当然，找到模式不等于找到疾病。这个区别很重要。

一张眼底照片，不一定只是在看眼睛

视网膜是人体少数能够直接观察血管和神经组织的地方。

临床上拍眼底照片，主要是为了检查糖尿病视网膜病变、青光眼和黄斑疾病。但研究人员发现，深度学习模型还可以从眼底照片中推测年龄、血压、吸烟状态和部分心血管风险。

一项发表在《Nature Biomedical Engineering》的研究，使用超过 28 万人的数据训练模型，并在另外两个独立数据集中进行了验证。²

这不代表以后拍一张眼底照，就能代替抽血、心电图和其他检查。

更准确地说，照片里可能藏着一些与全身健康有关的信息，只是医生单靠肉眼看不出来。

同样的思路，也可以用在皮肤影像、面部变化、声音、步态，以及智能手表收集的数据上。

一段声音，也可能藏着神经系统的变化

加拿大高中生 Matthew Shen 参与开发过一个声音分析模型，用来识别早期帕金森病的特征，相关研究发表在《Scientific Reports》。³

这个系统不是简单地听声音高不高，而是分析 MFCC、jitter、shimmer 等多种声学特征。研究使用了 81 段声音记录，报告的模型准确率约为 91.1%。³

91% 听起来很漂亮，但 81 个样本确实太少，还不能说明它已经能用于临床诊断。

我觉得更有意思的是它提出的问题：

一个人的发音稳定性、声带震动和语调变化，会不会在明显手抖之前，就已经出现改变？

这种方法将来或许更适合用来长期观察，而不是单凭一次录音下诊断。

比如患者在本人同意下，定期录一段固定内容。系统发现声音持续偏离过去的状态，再提醒他进一步检查。

这比直接告诉患者“你可能得了帕金森病”，要实际得多。

房间本身，也可能成为传感器

还有一些研究在尝试利用 Wi-Fi 或其他射频信号，进行非接触式活动监测。

人在房间里走路、坐下、起身或者跌倒时，身体会影响无线信号的传播。研究人员分析这些变化，让模型判断人在做什么。

相关研究已经尝试识别走路、坐下、站立和跌倒，也在探索非视线环境下的活动监测。⁴

听起来有点像科幻，但它在养老护理中确实有实际用途。

老人跌倒以后，困难往往不是不知道怎么处理，而是家人和护理人员根本不知道他已经跌倒了。

摄像头会涉及隐私，穿戴设备又可能忘记佩戴、忘记充电。无线信号监测如果足够准确，也许可以在不拍摄生活画面的情况下，发现老人突然倒地、长时间没有起床，或者走路速度持续变慢。

当然，误报怎么处理，不同户型是否适用，家里有几个人时还能不能识别，这些问题都没有那么简单。

检查可能会从“一张快照”变成长期观察

现在很多医学检查，只能看到某一个时间点。

一年抽一次血，几个月量一次血压，出现症状以后才安排扫描。

但很多疾病不是某一天突然出现，而是身体在几个月、几年内慢慢发生变化。

对一个人来说，最有价值的信号未必是某个数字刚刚超过“正常值”，而可能是他正在持续偏离自己原来的状态。

例如，一个老人走路一直比较慢，并不一定有问题。但如果他过去三个月走路越来越慢、起身次数减少、晚上活动明显改变，这组变化可能比单次测量更值得关注。

未来的生物标志物，也可能不再是某一个数值，而是一组随着时间变化的模式。

尿液、声音、影像、步态、心跳、睡眠和病史放在一起，也许能比单一指标更早发现异常。多模态医学研究正在往这个方向发展。⁵

AI 很容易找到规律，难的是证明这个规律真的有用

这也是我对医疗 AI 最谨慎的地方。

AI 可以一次分析成千上万个特征，总能找出一些相关性。但相关性未必有临床意义，也可能只是模型记住了某个数据集的特点。

一个模型在某家医院表现很好，换一个国家、年龄层、设备或者环境，结果可能马上变差。

声音会受到语言和口音影响，皮肤颜色会受到光线和肤色影响，步态会受到关节疾病影响，血氧读数也可能受到设备和测量方式影响。

模型上线以后，患者群体和临床流程发生变化，准确率还可能慢慢下降。这就是数据漂移。

美国 FDA 提出，评估 AI 医疗设备不能只看开发阶段的准确率，还要观察它在真实世界中的表现、不同人群中的偏差，以及接入临床流程后是否安全。⁶

隐私问题也绕不开。

当声音、睡眠、步态和家庭无线信号都能变成健康数据时，谁可以收集这些资料？患者是不是真的知道系统在分析什么？保险公司和雇主能不能使用？系统发现异常以后，谁来解释，谁来负责后续处理？

世界卫生组织也把隐私、偏见、透明度和患者自主权列为医疗 AI 治理中的核心问题。⁷

AI 更适合做翻译器，而不是算命先生

我们经常把 AI 想象成一个比医生更聪明的诊断机器。

但现阶段，我更愿意把它看成一个翻译器。

它帮助我们读懂尿液里的 DNA 和 RNA 片段，发现眼底照片中肉眼看不到的模式，也尝试从声音、步态、心跳和呼吸中找到疾病留下的痕迹。

这些工具真正有没有价值，不能只看论文里的准确率。

还要看它能不能更早发现问题，能不能减少不必要的检查，能不能改变治疗决定，最后能不能让患者得到更好的结果。

未来的体检，可能不会变成每年多抽几管血、再多做几次扫描。

更可能的情况是，我们开始从身体每天自然留下的数据中，筛选出真正有用的信号。

身体的确一直在留下信息。

但医学要做的，不是把每一个信号都变成新的焦虑，而是判断哪些值得听、什么时候需要行动，以及发现以后该怎么办。

参考资料

Footnotes

1. The Straits Times. Urine biopsy offers a more accurate way to detect bladder, kidney and prostate cancer. ↩

2. Poplin R, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nature Biomedical Engineering. 2018;2:158-164. ↩

3. Shen M, et al. Explainable artificial intelligence to diagnose early Parkinson’s disease from voice recordings. Scientific Reports. 2025. ↩ ↩²

4. Tan B, et al. Evaluation of deep learning models in contactless human motion detection system for next generation healthcare. Scientific Reports. 2022. ↩

5. Acosta JN, et al. Multimodal biomedical AI. Nature Medicine. 2022;28:1773-1784. ↩

6. U.S. Food and Drug Administration. Measuring and evaluating artificial intelligence-enabled medical device performance in the real world. ↩

7. World Health Organization. Ethics and governance of artificial intelligence for health. 2021. ↩

作者提示：个人观点，仅供参考。