在科技飞速发展的当下，数字健康监测与疾病研究因智能手机普及、人工智能崛起和数据广泛可得而备受关注。过往研究虽利用多种数据资源来补充传统健康研究方法，但地理空间因素在健康研究中的整合却长期被忽视。常见研究方法，如时间序列分析和使用行政边界等离散地理空间单元，无法充分考量空间交互和关系的复杂性。数据局限、建模复杂、疾病特异性聚焦和以图像为中心的方法等问题，严重阻碍了该领域的发展。为解决这些问题，来自奥地利 IT:U 跨学科转型大学、哈佛大学、希腊国立技术大学、米兰理工大学和葡萄牙里斯本大学等机构的研究人员，开展了关于地理空间基础模型（FM）在数字健康领域应用、挑战与未来研究的相关工作，研究成果发表在《International Journal of Health Geographics》。

• 地理空间数字健康监测的变革：AI 模型显著提升了疾病预测和监测的准确性，如通过分析环境和社会决定因素预测登革热和 COVID-19 等疾病爆发；有效监测空气和水质量，并与健康结果建立关联，助力环境健康评估；利用 GenAI 方法整合多源数据，增强公共卫生风险预测能力；通过整合大语言模型（LLMs）进行疫情建模，提供本地化风险评估和公共卫生指导；借助 AI 驱动的模型优化医疗资源分配，提高对健康危机的应对能力；运用地理空间 AI 模型分析地理空间数据，识别和解决健康差异问题。
• 基础模型在健康研究中的应用现状：语言基础模型（LLMs）在医疗和公共卫生领域应用广泛，但较少考虑地理空间因素；地理空间和视觉基础模型在遥感领域应用广泛，但目前多依赖图像数据，限制了其在其他空间数据处理和广泛健康应用中的能力；多模态基础模型虽在医学领域应用渐广，但在地理空间和健康地理方面的应用尚未得到充分开发。
• 当前研究面临的挑战：地理空间多模态方面，缺乏能处理多种地理空间健康数据的模型；空间显式学习方面，现有机器学习技术在健康地理应用中较少考虑地理空间因素；数据可用性、生成和管理方面，获取大规模、高质量健康相关地理空间数据集面临诸多挑战，数据生成和可信度也是难题；可信度和可解释性方面，模型在健康数据应用中的可信度和可解释性有待提高；地理偏差方面，基础模型存在地理偏差，影响结果准确性和公平性；隐私和安全方面，地理空间基础模型存在隐私和安全风险；伦理和功能方面，基础模型的 “幻觉” 等问题影响其在医疗领域的应用。
• 未来研究方向：在地理空间背景下，应加强数据和方法研究，开发时空合理性度量算法，利用多源数据进行健康监测和诊断，加强数据集成和分析方法研究，开发交互式可视化工具；发展地理空间增强基础模型，包括空间显式基础模型和问答系统、训练数据增强和可解释人工智能（XAI）、多模态地理空间基础模型；同时，注重模型可信度和可用性研究，探索新架构。

打赏

下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究

10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！

欢迎下载Twist《不断变化的CRISPR筛选格局》电子书

单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析

下载《细胞内蛋白质互作分析方法电子书》