在大模型（LLM）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：它们能够像放射科医生一样精准解读CT影像，也能像内科医生一样撰写病历摘要。

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。

△图1.不同模态的医疗数据

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：

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），才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。

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。

一起来看具体方案。

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.医疗时间序列数据典型样例

图2医学时间序列数据具有以下特点：①时间间隔不规则，②采样率异质，③由于临床工作流程不标准或仪器按照不到位造成的数据缺失。

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的架构

MIRA的架构如下：①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。②混合专家层根据频率路由到不同的Expert。③Neural 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

1.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。

2. 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。

这意味着，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.与baseline相比，MIRA out-of-distribution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。

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助手奠定了坚实基础。

论文链接：

https://arxiv.org/abs/2506.07584
项目链接:

https://github.com/microsoft/MIRA