微软发布医疗时序基座模型MIRA，基于4540亿医疗数据点预训练，解决不规则采样难题。现有AI擅长处理静态影像和文本，但难以捕捉生命体征的动态演变。时间序列数据记录了连续的生命轨迹，却因多时间尺度、不规则采样等特性成为医疗AI的核心挑战。

传统模型通常依赖“规则采样”假设，而真实医疗数据（如ICU中的心跳、血压记录）往往时疏时密且存在缺失。为适配这些数据，传统方法常采用插值手段，易引入噪声并丢失关键信息。MIRA通过两大核心技术突破了这一限制：

1. CT-RoPE：使用连续时间旋转位置编码，精准感知历史数据的时间间隔，摒弃离散索引的局限。
2. Neural ODE：利用神经常微分方程模拟生理状态的连续变化，推演未来趋势，无需依赖固定采样点。

实验表明，MIRA在多个权威数据集上表现优异，尤其在零样本迁移和稀疏数据处理中展现出卓越能力。即使数据缺失高达70%，其性能仍保持稳健，超越现有SOTA模型。

MIRA的推出标志着医疗AI迈向“通用基座”时代，为ICU预警、慢病管理等应用提供了强大工具。未来，医院可通过少量本地数据微调MIRA，快速构建高精度定制化模型。

论文链接：https://arxiv.org/abs/2506.07584
项目链接：https://github.com/microsoft/MIRA