TabPFN 存活預測在罕見肺癌中展現潛力，但結果參差不齊

TabPFN 存活預測在多項罕見肺癌預測任務中勝過傳統模型，但其優勢並未延伸至所有結果。研究人員評估了 823 名接受手術患者的紀錄，測試 Transformer（一種會衡量輸入資料之間關係的神經網絡架構）能否改善預後判斷。結果支持進一步研究，同時亦顯示研究表現與治療決策之間仍有顯著落差。

這個分別很重要，因為預測誰面臨較高風險，與為個別患者估算可靠的機率並不相同。系統或可相當準確地做到前者，卻難以處理後者。醫院在評估醫療 AI 時，兩方面都需要有證據支持，尤其當預測可能影響重要的溝通和決定。

這項比較亦不限於神經網絡。既有統計方法及 Rachel score 等工具，已可協助整理臨床風險。核心問題是，額外的複雜性是否能為特定決策帶來更可靠的資訊。這項研究提供值得檢視的證據，同時亦有理由避免籠統地宣稱 Transformer 已超越傳統預後評估方法。

TabPFN 存活預測研究實際發現了甚麼

所報告的優勢取決於預測任務，以及提供測試資料的醫院。

這項肺癌研究回顧性分析了兩個中心於 2001 年至 2023 年間的手術紀錄。研究人員以 374 名患者作模型開發及內部測試，然後再獨立評估另外 449 名患者。

他們將 TabPFN 與 logistic regression（一種統計機率模型）及 decision tree（透過分支規則作預測的模型）比較。結果包括整體存活期，即不論死因的存活情況；以及無病存活期，後者亦考慮復發情況。

TabPFN 在多項固定時間點任務中領先。logistic regression 則在外部五年預測中領先。外部校準度，即預測機率與觀察結果之間的一致程度，則出現偏差。在整體二元存活任務中，所有模型的外部表現均欠佳。

作者亦承認研究存在回顧性資料、亞組代表性、特徵選擇及隨訪方面的限制。他們呼籲在實際應用前，進行更廣泛的前瞻性驗證及改善校準度。

這些發現所確立的結論，比「AI 預測癌症存活」這類標題所暗示的更為有限。它們描述的是特定研究設計下的比較表現，並未證明使用該模型能改善存活率。

這條界線應影響讀者如何解讀這項公布。預測研究評估的是已記錄資訊與已記錄結果之間的關係。臨床實施研究則會問：當人們實際收到預測並據此行動時，會發生甚麼事。

兩者問題有所重疊，但需要不同證據。準確的預測可以支持一項無效的介入措施。有用資訊亦可能來得太遲，無法改變決定。預測也可能只是在重複臨床人員早已掌握的資訊。

因此，適當的解讀應從預定用途開始。系統是協助整理研究參與者、為術後討論提供資訊，還是識別需要更密切覆核的個案？每一種目的都會形成不同的可接受表現標準。

研究優先排序可以容忍一些在治療建議中無法接受的不確定性。用作支援專科醫生的工具，與直接向患者展示機率的工具，亦面對不同要求。

正因如此，這項研究值得關注，但不應被視為已具備臨床就緒性。它的貢獻在於展示某種方法的可行性。其實際價值仍是另一個問題，需要有關決策、後果及受影響人士的證據。

下一步分析應檢視該架構實際帶來甚麼，而非把 Transformer 一詞本身當作解釋。

為何基礎模型適用於小型臨床資料集

技術上的關鍵，在於將已學得的預測策略轉移至本地樣本有限的結構化紀錄。

TabPFN 全稱為 Tabular Prior-data Fitted Network。它屬於表格基礎模型一類，即經預先訓練、專為從列與欄資料作出預測而設的系統。

Noah Hollmann 及其同事在其表格基礎模型研究中，描述了一種在面對新預測問題前先從生成資料集學習的方法。該研究於 2025 年 1 月在 Nature 發表。

該模型採用 in-context learning，即根據提供的示例來調整預測，而毋須為每個資料集進行傳統再訓練。這種設計提供了不同於僅使用本地紀錄來擬合所有關係的起點。

對臨床研究團隊而言，其吸引力直接明顯。罕見疾病會限制每間機構可取得的樣本。為較小型表格資料而設的方法，便成為合理的評估候選方案。

不過，合理性並不保證表現。部署前學得的假設仍須適合新任務。臨床紀錄反映量度慣例、轉介模式及治療選擇，而通用模型未必會自動理解這些因素。

把可重用的學習方法與可重用的醫學知識區分開來，會更容易理解。一個系統可以帶著有用的統計習慣而來，但不代表它已具備經驗證的特定疾病專業知識。

這個分別也把此項工作與常見聊天機械人應用區隔開來。相關問題不在於助手能否流暢討論腫瘤學，而在於結構化輸入能否產生可信的結果估算。

對開發人員而言，架構轉變改變了審查重點。評估必須檢視完整預測流程，包括輸入準備、示例選擇、輸出處理，以及如何處理缺失資訊。

再先進的核心模型，也無法挽救具誤導性的目標。它不能令決策當刻未能取得的臨床資訊憑空出現，也不能決定醫院應接受哪些後果。

例如，考慮一個建議的術後覆核工具。它的輸入要求必須配合覆核當刻可取得的資訊。若重要資料在其後才出現，即使回顧性評估在技術上成功，也可能描述了一個無法使用的工作流程。

這個時機問題應在介面設計或整合工作之前獲得重視。團隊需要清楚說明預測何時進行、可存取哪些紀錄，以及其後會採取甚麼行動。

因此，TabPFN 存活預測的更廣泛吸引力是有條件的。基礎模型為棘手的資料問題提供另一條路徑，但臨床環境仍會決定這條路是否能通往有用的目的地。

傳統預後評估仍是嚴肅的比較對象

新架構必須在明確決策上，相對可信的替代方案帶來改善，才值得採用。

Anna La Salvia 及其同事開發了Rachel score，這是一項用於肺神經內分泌腫瘤的預後工具，相關研究於 2024 年發表。它採用 nomogram，即把患者特徵結合為一項估算的評分框架。

研究人員報告了典型及非典型類癌的不同風險組別；這些是行為不同但彼此相關的腫瘤類別。他們的工作提供了一個以易於取得的臨床及病理資訊建立預後評估的相關例子。

但這不代表 Rachel score 可與所有涵蓋肺神經內分泌疾病的模型互換使用。在比較具意義之前，患者群體、結果定義及臨床環境必須一致。

重要的競爭壓力在於方法學。新系統應說明，相比適用於同一目標群體及用途的工具，它能提供甚麼額外價值。

複雜性本身並不能回答這個問題。與開發得不夠仔細的替代方案相比而取得有利結果，也不能回答。可信的評估應讓每種方法都有合理機會發揮表現。

對醫院採購方而言，適當比較不只包括預測區辨能力，即區分不同結果患者的能力。它亦包括維護要求、輸入資料的可得性，以及檢查錯誤所需的工作量。

當員工理解其要求並能辨識不尋常個案時，較簡單的工具也可以很有價值。當較複雜的模型能提供可靠資訊，並改變一項有用決策時，它才可證明其負擔合理。

兩種說法均無法確立一個放諸四海皆準的勝者。選擇取決於建議使用環境中的證據，以及犯錯的後果。

假設競爭工具為大多數患者產生相近排序，它們出現分歧的個案便尤其具參考價值。審查者應問，這些差異反映的是有用的交互關係、不穩定的估算，還是不一致的紀錄。

比較亦應考慮重現結果所需的工作。依賴精細預處理的模型，與使用常規核對欄位計算的評分工具，會帶來不同的營運挑戰。

當臨床團隊須長期維護系統時，這種取捨會更為明顯。人員流動、軟件變更及文件紀錄慣例更新，都可能令原本成功的實施變得複雜。

這是支持在選擇架構前訂立明確比較準則的理由。團隊應決定哪個臨床問題最重要、甚麼程度的改善足以支持採用，以及能夠承擔哪些營運負擔。

在這個框架下，傳統預後評估仍是積極的競爭者。它持續相關，使 AI 評估更有價值，因為它迫使研究人員精確說明額外機制所帶來的貢獻。

風險排序不等於可信的機率

即使模型能合理地為患者排序，仍需另有證據證明其數值估算值得信賴。

排序與機率之間的分別，是醫療預測的核心。排序問的是，出現不良結果的人是否通常會獲得較高的預測風險。校準度問的是，預測風險是否與觀察到的發生頻率相符。

BMJ 有關外部模型驗證的指引建議檢視整體表現、校準度及區辨能力。它亦呼籲關注相關亞組，而非只依賴全體人口的平均表現。

這些維度回答不同問題。有用的排序並不證明顯示出來的機率在不同醫院具有相同意義。看似令人安心的平均表現，可能掩蓋某個較小患者群體的弱點。

對於追蹤 TabPFN 生存預測的讀者而言，這個區別可避免常見的詮釋錯誤。良好的區辨結果不應被延伸為模型能以同等精確度掌握個人未來可能性的說法。

數值估計可能令人感覺比支撐它的證據更具確定性。介面若把精確數值與臨床建議並列，便可能加強這種印象。

一個示範性工作流程可說明問題。假設照護團隊正考慮為高於選定風險閾值的患者安排額外覆核，亦即觸發行動的分界點。

即使患者的相對排序大致相同，若機率估計出現系統性偏移，患者仍可能跨越該分界點。即使排序指標仍然令人滿意，隨之而來的工作量和臨床溝通亦會改變。

閾值本身同樣需要合理依據。選擇閾值時，必須考慮行動的好處、負擔，以及不必要升級處置或錯失機會的後果。

這些考量不能單靠選取回溯性資料集上看似最佳的分界點來定論。它們取決於擬議介入措施，以及接受介入的人群。

重新校準可調整模型輸出的機率，使之更符合特定人群，並能處理部分不相符之處。不過，這仍需要合適的資料，以及明確檢查調整效果的計劃。

它不應淪為含糊承諾，聲稱任何可轉移性問題日後都能修正。團隊需要找出改變了甚麼、量度不相符的程度，並判斷調整後是否仍能保留有用的表現。

向臨床人員或患者呈現機率估計時，同樣需要提供背景。相關人群、預測期間和不確定性，應保持足夠清晰可見，以支援正確詮釋。

這既是產品要求，也是統計要求。即使估計在技術上站得住腳，畫面若省略其適用範圍，仍可能誤導使用者。

實際啟示是，應評估由機率到行動的整個鏈條。可信賴的臨床 AI 需要證據說明一個數字的意義，以及有人使用它時會發生甚麼。

生存預測無法選擇正確的治療

預測結果與識別有益介入措施，是兩項不同任務。

生存模型估計輸入資料與結果之間的關聯。治療選擇則探問在不同措施下，結果會有何差異。前者得到正面答案，並不會自動回答後者。

討論被標示為較高風險的患者時，這個區別尤其重要。較高的估計風險並不能證明更密集的治療會帶來更大效益。

較低風險亦同樣如此。一項令人安心的預測，本身不足以證明可減少照護。兩種決定都需要證據，將擬議行動與合適人群中的結果連結起來。

不過，預測仍可發揮有用的輔助作用。它可協助整理覆核問題、識別不確定性，或幫助研究人員檢視哪些個案值得進一步調查。

這些用途應保持清楚說明。支援討論的系統不應因介面措辭或機構慣例，而悄然變成治療選擇工具。

例如，研究團隊可研究預測是否有助專科人員識別需要額外評估的個案。這將是一項可檢驗的工作流程建議，而非聲稱預測本身決定照護。

評估需要檢視資訊可用後有甚麼改變。職員是否覆核了不同個案？這些資訊是否在既有判斷以外帶來額外價值？其後採取的行動是否有益？

這些是關於實施的分析問題，並非已由所報告的預測結果確立的發現。它們指出在擴大系統角色前所需的證據。

TRIPOD+AI guidance 為使用迴歸或機器學習的預測研究提供報告框架。其對清晰報告的重視，有助讀者理解模型如何開發及評估。

報告標準不能取代有效治療證據。它們的價值在於讓證據可供檢視，包括人群、資料處理、評估及預期應用。

這種透明度對解釋同樣重要。解釋哪些輸入影響預測，只是描述模型行為；它並不能證明改變某項具影響力的輸入會改善存活情況。

當輸入反映疾病嚴重程度或先前治療決定時，這點尤其相關。模型可利用該資訊作預測，卻不代表它識別出有用的介入措施。

對產品團隊而言，含義很具體。標籤、解釋和建議行動需要保留關聯與治療效益之間的區別。

醫院亦應界定誰負責覆核意外輸出。預測會成為臨床流程的一部分，職員需要有方法質疑它並記錄其推理。

眼前的機會在於有紀律地評估決策支援。關於更佳治療或改善存活率的說法，需要再多一步證據，而架構比較無法提供這一步。

三項訊號將決定這項研究下一步的意義

最具資訊價值的後續研究，將把可重現的預測與清晰界定的臨床目的連結起來。

第一項訊號是在獨立建立的患者人群中進行額外評估。有用的問題是：當機構、紀錄和臨床背景改變時，表現能否維持。

強而有力的後續研究會在報告結果前說明目標人群。它亦會展示表現在哪些地方有差異，包括較少獲正面關注的結果。

這類證據會提升對可轉移性的信心，即在開發環境以外仍然有用的能力。若表現明顯下降，便會縮窄這種方法值得考慮的適用場景。

價值在於不同場景下呈現的模式，而非又一則正面標題的表象。獨立研究若能重現完整流程並報告不便面對的發現，尤其具參考價值。

第二項訊號是與可信替代方案進行更廣泛、審慎配對的比較。研究人員應以相容的資訊和結果定義，針對同一問題評估工具。

就 TabPFN 生存預測而言，這將釐清該架構在其擬議角色中是否具備實質優勢。它亦會揭示在哪些情況下，較簡單的方法仍具競爭力。

有用的比較會同時解釋預測差異和實際要求。當讀者能看到每個選項所需的輸入、基礎設施及維護工作，便更容易評估選擇。

若有一致優勢的證據，將加強進一步投資的理由。若表現相近卻帶來較大營運負擔，則會削弱在該場景採用的論據。

第三項訊號是前瞻性工作流程研究，即在相關未來觀察發生前已規劃好的評估。其設計應說明預測何時出現，以及職員預期採取甚麼行動。

初步評估可在不向臨床人員展示預測的情況下收集結果。這種方法可在引入由預測驅動的行動前，檢視真實工作流程條件。

後續研究可測試提供資訊是否改善某項明確界定的決定。結果應反映擬議目的，而非抽象地聲稱有用。

正面結果會把統計表現與實際價值連結起來。決定沒有改變、增加混亂，或行動缺乏充分支持，均會指出基準比較無法解決的問題。

這些是未來數月追蹤研究的優先事項，而非已公布的里程碑或承諾的部署時間表。現有證據並未確立這些研究何時會出現。

對開發者和採購者而言，眼前任務是在評估機會時保留這些區別。應問模型預測甚麼、涵蓋哪些患者、輸入資料何時可用，以及需要支援哪項決定。

對研究人員而言，下一項貢獻是更清楚交代這種方法在哪裏有效、在哪裏失敗，以及哪些額外證據會改變這項評估。負面發現亦應納入其中。

在把生存預測模型視為臨床產品前，應閱讀其方法並檢視預期用途。留意外部評估、可靠的機率、可信的比較，以及有關決策的證據。應把研究結果與關於治療效益的說法分開。當示範展示自信的預測時，應問支撐它的是哪個人群，以及證據可支持甚麼行動。TabPFN 生存預測值得關注，因為它為結構化醫療資料提出了一個有用的研究問題。請留意後續研究是否提供能解答該問題的證據，尤其是當結果不如標題般整齊時。這個工具能幫助臨床團隊做得更好的是甚麼，又如何知道確實如此？