Обычная медицинская нейросеть видит пациента как точку на карте: есть рост, давление, анализ крови — и модель ставит одну метку «здоров» или «болен». Но в реальной больнице карта всегда рваная. Один анализ сдан в понедельник, другой — через месяц, а томограф вообще другой марки. Точка на такой карте — самообман.
Новая модель работает иначе. Для каждого пациента она держит не одну точку, а целое облако возможных состояний — как фоторобот, где черты лица слегка размыты. Если данных мало, облако шире: модель честно говорит «не знаю». Если анализы сходятся, облако сжимается в уверенный ответ.
Авторы скормили этой модели сотни тысяч записей из разных больниц: кардиограммы, снимки, анализы. Модель училась собирать облако из обрывков и сравнивать, совпадают ли обрывки одного пациента. Оказалось, такой подход лучше предсказывает болезни, чем классические нейросети, которые притворяются, что видят всё.
Итог простой: честное незнание полезнее мнимой точности. Модель, которая помнит о пробелах, меньше врёт и реже пропускает болезнь.
как её написали авторы, на английском arXiv:2604.04175
Healthcare foundation models have largely followed paradigms from natural language processing and computer vision, emphasizing large scale pretraining and deterministic representations over heterogeneous clinical data. However, clinical observations are inherently incomplete, reflecting sparse, irregular, and modality dependent measurements of an underlying physiologic state. In this work, we propose a framework for uncertainty aware foundation modeling that represents each patient not as a point embedding, but as a distribution over plausible latent states. By learning set valued representations and enforcing consistency across partial views of the same patient, the model captures what is invariantly inferable while explicitly encoding epistemic uncertainty. We integrate this formulation with multimodal encoders and scalable self supervised objectives, combining reconstruction, contrastive alignment, and distributional regularization. Across diverse clinical tasks, our approach improves predictive performance, robustness under missing data, and uncertainty calibration relative to strong baselines. These results suggest that modeling what is not observed rather than only what is constitutes a critical inductive bias for healthcare foundation models.
В реальных больницах до 40% полей в карте пациента пустуют — анализы не сданы, измерения не записаны. Обычные нейросети на таких данных часто дают ответ с уверенностью 99%, хотя на деле угадывают.