NetraMark技術長暨科學長Joseph Geraci指出，人工智慧雖可透過生物化學分析協助藥物研發，卻無法單獨解決生物學的高度複雜性；臨床開發真正棘手的瓶頸，往往不是候選分子本身，而是精神疾病分類缺乏一致的疾病框架。同一診斷標籤下，患者可能具有不同病理機轉，導致單一藥物必須同時處理數種本質相異的疾病。
Geraci團隊以數學方法結合機器智能，建立可在複雜資料中辨識可解釋患者次群體的模型，並在模型缺乏足夠理解時主動「拒答」。這項設計特別適合常少於500人的小型、高度異質臨床試驗資料，有助於藥廠把前期試驗結果有效延伸至後期試驗，降低失敗風險。藥物研發的下一場競爭，可能不是預測誰會有效，而是先準確辨識誰真正具有同質病理機轉。
精神醫學長久以來依據症狀、量表與臨床判斷建立診斷分類，但同一疾病名稱經常涵蓋多種生物學路徑。傳統分層方法通常在試驗結束後才依療效差異切割患者，未能事先處理疾病異質性；Geraci提出的「族群因子分解」則把這項問題移到試驗設計前端，嘗試從一開始找出病理機轉較一致的次群體。
這不是單純追求更高預測準確率，而是要求模型區分「不知道」與「仍可判斷」。當臨床試驗樣本稀少、標註品質不一或特徵不足時，模型必須放棄輸出，以免把統計噪音包裝成醫療結論。可解釋性與拒答能力因此成為臨床AI能否跨越信任門檻的核心，而不是附屬功能。
技術推進也伴隨資料治理難題。精神醫療量表、基因資料、MRI、可穿戴裝置訊號、語音延遲與手機應用程式的打字模式，若要轉化為即時預測工具，必須先回答資料所有權、隱私保護、跨醫院可比性與演算法偏差等問題。
在利益結構上，藥廠可能藉由更精準的患者分群降低研發成本，但醫療體系也承擔新演算法可能擴大標籤化、排除少數群體及弱化臨床關係的風險。現階段真正具備競爭門檻者，不是擁有最大資料量的平台，而是能建立「量表資料、多模態訊號、可信驗證及臨床工作流程」完整閉環的團隊。
從精神醫學的分類史來看，早期診斷高度依賴症狀描述，之後才逐步引入量表、神經科學與多模態資料。AI的意義不在於一次性建立完美分類，而是讓臨床試驗能逐步逼近更精確的患者分群。接下來可區分三種情境：
01 起因觸發｜臨床試驗資料規模小、患者高度異質，傳統分析難以建立可承接前後期結果的分群。
02 一階傳導｜藥廠將導入可解釋次群體辨識、拒答機制與多模態患者表徵，提高試驗設計及患者招募效率。
03 二階擴散｜醫療機構、量表供應商與穿戴裝置業者開始協商資料標準、授權模式及跨平台資料治理。
04 產業重組｜AI競爭焦點由通用預測能力轉向專科模型、臨床驗證、資料閉環與後期失敗率改善。
05 監管升級｜主管機關將更關注模型在小型樣本、不確定性、族群偏差及患者知情同意上的治理能力。
06 醫療終局｜精神疾病分類逐步由固定診斷標籤，走向可隨症狀與多模態資料更新的個人化治療路徑。
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
