编者按：医疗AI在影像诊断与病历理解领域已展现出惊人的潜力，但一个更根本的挑战正浮出水面：模型能够读懂静态的”快照”，却难以捕捉生命的”动态流转”。现有方法多依赖规则采样与插值预处理来强行对齐数据，面临着信息失真、噪声引入、临床适应性差等局限，更引发深层质疑——若模型始终需要人工规整才能理解时间，那它是否真正“领悟”了生理演变的内在规律？
对此，微软亚洲研究院推出MIRA（Medical Irregular Time Series Foundation Model），实现了医疗时序感知的完全连续性。该研究不再依赖预处理阶段的粗暴对齐，而是在预训练阶段就教会模型”顺着时间的自然节奏去理解”，为医疗AI迈向”通用基座”时代奠定了基础。
在大模型（LLMs）与计算机视觉（CV）争相重塑医疗行业的今天，我们似乎已经拥有了“无所不能”的数字助手。它们能够精准解读CT影像，也能辅助撰写病历摘要。
但医疗AI世界中，仍有一块关键拼图缺失——那就是理解“生命动态演变”的能力。
正如图1所示，如果将患者的生命历程比作一部电影，现有的AI往往只能捕捉到零散的帧画。
图1：AI“捕捉”文本和时间序列对比
影像（Image）是“快照”，定格的仅仅是某一瞬间的解剖结构。文本（Text）是“叙述”，往往只是对既往病情的主观回顾。唯有时间序列（Time Series），忠实记录了生命体征的连续轨迹。
然而，读懂这条“曲线”远比处理静态图像复杂。
为此，微软亚洲研究院推出了专为医疗时序数据设计的通用基座模型MIRA（Medical Irregular Time Series Foundation Model）。该模型基于4540亿个医疗数据点进行大规模预训练，通过两大核心技术突破了传统模型对规则采样的依赖，旨在解决真实世界医疗数据“不规则、异构性”的难题。实验表明，MIRA在关键预测任务上的表现超越了现有SOTA模型，并展现出卓越的零样本（Zero-shot）迁移能力。
MIRA 论文链接：https://arxiv.org/abs/2506.07584 (opens in new tab)
MIRA 项目链接：https://github.com/microsoft/MIRA (opens in new tab)
真实医疗数据：大模型的“噩梦”
长期以来，医疗时序模型的通用化进程面临诸多挑战，其核心问题在于“理想假设”与“现实数据”的错位。
通用深度学习模型通常基于“规则采样”的理想化假设，即数据是整齐划一、均匀分布的。然而，在真实医疗场景中，尤其是重症监护室（ICU），生命体征的记录往往呈现出“时疏时密”的特点：心跳以秒为单位波动，血压可能以小时为单位记录，而血液检测指标可能需要一天甚至更长时间才能更新一次。
这种多时间尺度交织、采样频率不规则的特性，构成了医疗时序数据最显著的挑战，也是大模型在医疗领域落地应用的核心障碍。
图2医学时间序列数据具有以下特点：时间间隔不规则；采样率异质；由于临床工作流程不标准或仪器安装不到位造成的数据缺失。
图2：医疗时间序列
传统方法为了让模型处理这些数据，往往不得不采用插值（Imputation）等手段强行对齐。这种做法不仅容易引入人为的“噪声”，还可能丢失原本的时间动力学信息，属于典型的“削足适履”。
而MIRA的提出，正是为了解决这一难题。它不再局限于单一场景训练，而是从海量医疗数据中学习跨场景、跨模态的生理动态模式，成为一个具备卓越迁移能力的通用医疗基座模型。
两大核心技术：读懂不规则律动
面对医疗数据“杂乱无章”的特性，MIRA设计了两大核心技术模块，分别解决了“历史”与“未来”的建模难题。
图3：MIRA架构示意图
MIRA的架构如下：接收不规则时间序列和时间戳作为输入，并应用CT-RoPE进行连续时间编码，混合专家层根据频率路由到不同的专家；Neural ODE模块将潜在状态演化到任意目标时间戳，从而实现灵活的时间感知预测。
CT-RoPE：给“历史”一把弹性标尺
传统模型处理时间序列习惯用离散的整数索引（1，2，3…）来标记顺序，默认每一步距离相等，忽略了医疗数据中“时疏时密”的真实间隔。
MIRA创新性地提出了连续时间旋转位置编码（CT-RoPE）。它摒弃了离散索引，直接将真实的连续时间戳代入旋转矩阵计算。这意味着，模型能够精准感知历史记录中任意时间间隔的变化，而不是机械地记录采样次数。
Neural ODE：描绘“未来”的连续曲线
人体状态是连续流动的，而非离散跳变。为了精准推演病情走向，MIRA引入了神经常微分方程（Neural ODE）模块。
如果说CT-RoPE是为了读懂过去零散的点，那么Neural ODE就是为了画出未来连续的线。它模拟生物体内部的动力学变化，能基于离散数据推导出连续时间下的潜在状态演化轨迹。即使未来的采样时间点不确定，模型也能依循生理规律，给出符合动力学逻辑的合理预测。
实验验证：零样本与高鲁棒性
研究团队在MIMIC-III、MIMIC-IV等多个权威数据集上对MIRA进行了评估。
1. 零样本（Zero-shot）预测突破
最值得关注的是MIRA的迁移能力。在未经过任何特定目标数据集训练的情况下，MIRA直接被部署到全新的医疗场景中。
数据显示，其在分布外（OOD）测试集上的表现，甚至超越了部分专门训练的全监督模型。这说明MIRA学到了生理信号变化的“通用规律”，而不仅仅是拟合了某家医院的数据分布。
图4：不同模型在OOD测试集上表现
2.极度稀疏数据的“高鲁棒性”
面对缺失值，传统模型往往依赖插值预处理。这种做法不仅会引入人为噪声，还可能破坏数据的原始分布特性。
而MIRA得益于Neural ODE，无需任何插值操作即可原生适配。通过建模时间序列的连续动力学特性，MIRA能够直接处理数据中的缺失值，无需额外的预处理步骤。
实验表明，即便在数据极度稀疏（例如仅保留30%观测点）的条件下，MIRA的性能依然保持稳健，并未像传统预测模型那样出现性能的显著下滑。这种对真实世界“脏数据”的适应能力，证明了其在复杂临床环境下的高鲁棒性。
图5：实验结果
开启医疗AI的“通用基座”时代
MIRA的提出可谓是医疗时序预测向“通用基座”时代迈进的重要探索。通过解决不规则采样和异构数据难题，MIRA为医疗AI摆脱“烟囱式”开发模式提供了可能。
未来，医院或可利用MIRA作为底座，配合少量本地数据微调，快速获得高精度的定制化模型。这为构建更智能的ICU早期预警、慢病管理以及通用AI助手奠定了基础。
本文首发于”量子位”。
Artificial intelligence