数力聚：挖掘生理数据与心理健康间关联，做AI+医疗“架桥人”

“EPAI平台不适配.pkl文件格式。”项目攻坚阶段的电话会议中，叶泽阳抛出了问题。为了能让模型低成本地快速部署，数力聚采用了非标准的传统模型格式。但问题也随之而来，如果EPAI平台无法适配.pkl文件格式，后续海量医疗数据将不能顺利接入，模型训练也将被迫停滞。

电话那端的浪潮信息，记下了需求。

一周后，问题搞定。

这场干脆利落的“排雷”，只是数力聚与浪潮信息联合攻坚的一个微小切面。

作为元脑生态伙伴，数力聚试图破解长期困扰“AI+医疗”的“黑盒”之一：凭一份常规的血液体检报告，即可精准进行抑郁症辅助评估。

在此之前，抑郁症诊断高度依赖PHQ-9等主观量表，患者可能因病耻感隐瞒真实情况，医生也可能因临床经验差异导致误诊。数力聚希望用算法打破这一困局，通过分析血液中的生物标志物，构建一种客观、无创、低成本且可解释的抑郁症辅助评估新范式。

01

从 “抗量子密码”
到“架桥人”的惊险一跃

数力聚的起步，其实跟眼下最火的“大模型”没太大关系。

2021年成立时，这家初创公司便扎在“数据安全”领域，研究隐私计算等前沿技术。初衷很纯粹：帮助企业解决数据流通中的信任问题。

但在一线跑久了，公司副总经理叶泽阳和团队发现了一个更现实的尴尬——客户的数据确实安全了，可效率呢？

“能不能在保障安全的前提下，让AI来帮着洗数据、理数据？”这是数力聚跨出的第一步。那时ChatGPT还没横空出世，但图像识别已经很成熟。

当然，这并不容易。

此后的数力聚，就一直在跟算法较劲。先是将研究边界，拓展至NLP算法领域，并结合产业痛点进行定制化改造；随后，数力聚又瞄准Transformer算法，通过针对性的微调和场景化训练，使其适配数据治理的复杂任务逻辑。

然而，技术瓶颈随之显现——算法的高效运行与海量数据的深度价值挖掘，均离不开稳定且性能强劲的算力底座支撑。

也是在2021年，数力聚与浪潮信息建立合作。

起初，这只是一次常规的算力采购。但在后续的碰撞中，双方发现彼此的频率出奇地一致。“业内不缺卖算力的，但懂算法的算力企业，才跟我们真正有共同语言。”叶泽阳说。很快，合作突破了单纯的硬件买卖。

事实上，数力聚的目标始终清晰。“数力聚不会盲目去卷通用大模型。我们希望通过软硬结合的解决方案，成为AI落地最后一公里的‘架桥人’。”叶泽阳再次强调了公司的定位，并举例说明了具体场景：“比如，将人工智能应用于抑郁症辅助评估。”

这也是双方合作的关键。

“研发团队很快将合作重心从‘算力’延伸至‘算法’，聚焦垂直行业的算法研究，聚焦场景与算力的深度融合。”叶泽阳所说的，是“算力”之上、“算法”之中的深度协同。

02

大小模型双轨
一头撞上“数据泥沼”

“数力聚希望挖掘常规生理数据与心理疾病间的关联，并打造客观的、无创的、低成本的、可解释的抑郁症辅助评估新范式。”叶泽阳连用了四个定语，也为“AI血液辅助评估抑郁风险模型”立下了极高的门槛。

这并非无的放矢。

全球抑郁症患者超过3.5亿，中国患病人数预估近1亿。长期以来，筛查高度依赖PHQ-9等主观量表，缺乏客观生物指标。患者可能因为病耻感隐瞒病情，医生也可能因临床经验差异导致误诊。

在此之前，业内也曾尝试将机器学习算法引入抑郁症辅助评估，但这类算法对数据的“特征缺失”极为敏感，这会大幅降低模型AUC或准确率，且黑盒模式缺乏可解释性——医生不敢用，患者也不相信。

人工智能的加入，打破这一僵局。

为此，数力聚引入了顶尖的学术力量。数力聚首席科学家李克峰教授是澳门理工大学人工智能药物发现中心长聘副教授，也是人工智能因果推断及其在医疗和组学大数据分析应用方面的权威专家，在Nature Human Behavior、PNAS等顶级期刊发表论文120余篇。

在数力聚的抑郁症辅助评估项目中，他的团队将“因果推断”引入算法核心，旨在从海量组学数据中剥离出真正的致病因果链条，而非停留于表面相关性。

那么，这套模型究竟要如何运作的？

叶泽阳口中的模型，是基于全球近30万条真实临床数据训练而成的。患者无需做任何额外检查，只需提供一份常规的血液体检报告，模型就能像“神探”一样，从50余项生物标志物中揪出心理疾病的蛛丝马迹。客观的数据报告，就此取代主观的量表问答。

蓝图很丰满，但真要把这套模型塞进节奏飞快的真实医院里，完全是另一码事。

数力聚与浪潮信息经过多轮讨论，将“AI血液辅助评估抑郁风险模型”拆解为小模型和大模型两套方案：在体检科，部署极低成本的Lemo AI小模型，像哨兵一样做秒级初筛，准确率已经超过了90%。

到了门诊，则换上70B参数的MDD-LLM大模型，它得像资深专家一样跟医生对话，不仅给出患病概率，还得用大白话解释清楚“为什么睡眠不足叠加血脂异常，推高了抑郁风险”，把黑盒变成白盒。

然而，无论大小模型，都得面临同一个残酷的前提：非常吃高质量的数据。

数力聚手里那30万条被视为“宝藏”的真实临床数据，其实是一堆极其难啃的骨头——里面充斥着严重的特征缺失和刺耳的数据噪声。“这批数据里的缺失值和噪声，纯靠人工洗根本来不及，算力调度的坑也很深。”叶泽阳抛出了烦恼。

03

那通电话会议之后
数据泥沼里长出了“加速器”

这就回到文章开篇的那通电话会议。

“对于我们创业团队而言，EPAI平台很好地弥补了0到1阶段人力资源的投入。”叶泽阳所说的，正是EPAI平台在处理这类“脏数据”时带来的便利。

其实，来自不同医院的数据格式千奇百怪——PDF报告、Excel表格、扫描件，甚至连检验公式的写法都不统一。以前光是写正则表达式清理这些格式，就能耗掉团队大半精力。EPAI平台接入后，直接消化了这些脏活累活，能从13类文档中自动抓取有效信息，表格数字、影像图片、检验公式全部兼顾。

叶泽阳坦言：“原本我们预估数据清洗要占项目周期的60%，EPAI把这个比例压缩到了30%以内，让我们能把精力集中在模型本身。”

更让他惊喜的是指令微调数据的自动生成能力。医疗数据标注极其依赖专家经验，一名精神科医生标注一份病历的时间，可能比看一位病人还长。EPAI平台能够基于数力聚已有的结构化体检数据，自动生成同类型的高质量微调数据，相当于将有限的专家经验进行了“数据增强”式的复制。原本只能标注1000条数据的人力，在EPAI的辅助下，能够生成并筛选出5000条同等质量的训练样本，极大地缓解了医疗数据标注“供血不足”的窘境。

就这样，双方的合作从最初的算力供给与模型调优，逐步延伸到了数据底座层面的深度融合。浪潮信息提供的不仅是算力，更是一整套面向行业ISV的数据就绪能力——而这，恰恰是医疗大模型从实验室走向诊室的最后、也是最关键的一公里。

04

持续降低AI落地门槛

接下来呢？

既然模型训练流程已经跑通，接下来就是解决方案复制。基于不同的生物标志物，数力聚与浪潮信息的合作，正在从抑郁症辅助评估，延伸到焦虑症、自闭症，甚至奥兹海默、帕金森等疾病的诊疗。

日前，双方也在合力将LabMood AI抑郁症初筛模型和MDD-LLM大模型，封装为EPAI平台上的标准化工作流——前者支持上传血液检测报告，经大模型解析50余项参数后调用小模型完成预测；后者以对话形式提供抑郁辅助诊断服务。这一架构不仅从根本上解决了用户管理和对话历史管理的痛点，更让两套模型在统一的平台上各司其职、协同运转。

从数据安全到数据治理，从算力采购到算法共研，从工作流封装到软硬一体交付——数力聚与浪潮信息的合作，正在为AI在严肃医疗场景下的落地，蹚出一条可复制的路。