凭一张面部照片筛查睡眠呼吸暂停：基于视觉语言模型的多模态系统做了什么，以及为何它的"准确率"美化了数字

上海的一个团队提出了 EviOSAHS：一个仅凭一张面部照片和一份临床资料、通过提示词编排（完全不训练）一个视觉语言模型与一个大语言模型来评估睡眠呼吸暂停风险的系统。在 642 名有参考多导睡眠图的患者上，它报告 88.47% 的准确率和 94.86% 的灵敏度。问题在于：队列有 584 例阳性、仅 58 例阴性，特异度从未公布——可重建为约 24%——而一个对所有人都回答"阳性"的分类器，其准确率（90.97%）反而更高。

背景

阻塞性睡眠呼吸暂停低通气综合征（OSAHS）的特征是睡眠中上气道反复塌陷：呼吸每小时停止（呼吸暂停）或减弱（低通气）数十次，使睡眠碎片化，并长期升高心血管与代谢风险。它十分常见，且被极为广泛地漏诊。参考诊断——多导睡眠图（PSG）——需要在睡眠实验室进行一整夜的带仪器记录：可靠但昂贵、容量有限、候诊队列漫长。因此，能在上游分诊、优先安排哪些患者去做 PSG 的筛查工具便颇具吸引力。

严重程度以 AHI（呼吸暂停低通气指数）衡量，即每小时睡眠的呼吸事件数，用以定义类别（正常、轻度、中度、重度）。传统临床问卷（STOP-Bang、Epworth、Berlin）便宜但不精确。另一方面，颅面形态——粗颈、后缩的下颏、狭窄的气道——与风险相关，这催生了利用一张普通面部照片的设想。本研究的新意在于：不训练专门的分类器，作者仅通过撰写指令（提示词）来编排现有的通用模型，并强制输出结构化结果，以使决策可解释。

方法

EviOSAHS 不改动任何模型权重：它是两个通用模块的"零训练"串联（不在目标队列上做任何学习）。一个视觉语言模型（VLM）——能"读"图像并以文字回答关于该图像的问题——和一个在文本上进行推理的大语言模型（LLM）。具体而言，作者用 Qwen2.5-VL-7B-Instruct 处理视觉、Qwen2.5-7B-Instruct 处理语言，采用确定性解码（温度为零，以获得可复现的回答），在单块 80 GB 的 GPU 上运行。

核心是"结构化视觉证据分解"。一张正面面部照片通过七个固定的解剖学提问被审视：颈部、下颏、口部、面颈部脂肪、下颌、面中部、鼻部。每一问中，VLM 只看图像、只充当观察者而非决策者：其回答被转换为一张结构化的"证据卡"（解剖目标、观察、可见度、风险方向——支持、反对、不确定——、证据强度、置信度、摘要）。七张卡片被汇总，随后——且仅在此最终阶段——LLM 才接收表格化的临床资料（年龄、性别、BMI、颈围、腰臀比、高血压、糖尿病、心脏病、高脂血症），通过一次"均衡裁定"给出二元结论，即明确权衡支持、反对与不确定的证据。这种时间上的先后分离——先视觉、后临床——旨在阻止模型把一切都押在 BMI 或颈围上。目标是二元分类：只要严重程度类别超过"正常"即标记为阳性；AHI 本身被从提示词中移除，以避免标签泄漏。

数据来自单一中心：复旦大学附属眼耳鼻喉科医院（上海）一项回顾性睡眠医学队列的 642 名受试者，具有参考 PSG，并在中国临床试验注册中心登记（ChiCTR2300069223）。二元映射得到 584 例阳性对 58 例阴性；原始分布高度不平衡（正常 58、轻度 99、中度 95、重度 390）。队列以男性为主（546 名男性对 96 名女性），年龄中位数 40 岁（范围 4 至 82 岁），BMI 中位数 26.5。一个重要的方法学要点：既无训练，也无训练/测试划分——所有模型都在整个队列上以直接推理进行评估，提示词"在正式运行前已固定"。对照组是其他提示方式（仅临床、直接使用的 VLM、早期融合、单一模型、消融版本）；没有人类专家、也没有像 STOP-Bang 这样经过验证的问卷作为参照。

结果

完整系统给出 88.47% 的准确率、94.86% 的灵敏度、93.74% 的 F1 分数和 5.14% 的假阴性率，据作者称将漏诊病例从 140 余例减至 30 例。它优于"仅临床"（准确率 74.61%，灵敏度 75.34%）、直接使用的 LLaVA-1.6 视觉语言模型（73.83%；74.66%）、早期融合（85.67%；91.61%）和单一模型（85.36%；89.55%）。两个"直接"询问的 VLM 崩溃了：InstructBLIP 灵敏度降至 0%，Qwen2.5-VL 降至 1.54%——它们几乎处处回答"阴性"或产生无法使用的输出。消融实验显示增益来自何处：去掉七个视觉提问，准确率降至 71.65%（灵敏度 71.92%）；去掉均衡裁定，降至 73.99%（75.68%）。对 4494 次视觉会话（7 提问 × 642 受试者）的审计报告了 100% 结构正确的输出和高于 93% 的"高可见度"，其中鼻部是薄弱环节。

论文中缺失的两个数字改变了解读。首先，没有报告任何特异度、也没有任何 AUC——系统只产生一个是/否，而非概率，这就排除了任何 ROC 曲线（AUC，即该曲线下的面积，概括了在所有阈值上区分阳性与阴性的能力）。然而，特异度（被正确分类的真阴性所占比例）可以从准确率、灵敏度和患病率重建：约 554 例真阳性和 14 例真阴性，即特异度约为 24%（58 例中的 14 例）以及 44 例假阳性。说白了：在这个队列中 58 名真正无病者里，约 44 人被错误地标记为"有风险"。（复核：这组数值恰好重现了所报告的 93.74% 的 F1。）其次，由于阳性占队列的 90.97%，一个对所有人都回答"阳性"的平凡模型将达到 90.97% 的准确率——高于该系统的 88.47%。最后，稳健性令人担忧：随机打乱图像或使其模糊，各自都会使 642 名受试者中 63 人的预测发生翻转（近 10%）。

值得肯定之处

从设计之初就考虑可解释性。EviOSAHS 不是一个吐出分数的黑箱，而是产生七张可读、可核查的解剖学证据卡，带有风险方向、强度与置信度，并将图像观察与最终决策分离。对于一个临床医生想看到"为什么"的分诊工具而言，这是一项有用的特性——审计显示 100% 结构正确的输出，说明格式约束是可靠的。

诚实的消融实验。作者不满足于宣布一个好数字：他们拆解自己的流程，表明大部分增益来自七问分解和均衡裁定，并记录了被朴素提示的 VLM 的崩溃（灵敏度 0% 或 1.54%）。暴露这些失败而非掩盖，是良好的科学作风。

可复现性与较低的技术门槛。无需训练、70 亿参数的开源模型在单块 GPU 上运行、确定性解码，代码连同提示词、证据卡模式与评估代码一并发布在 GitHub 上。方法可被重跑与讨论——这是任何建设性批评的前提。

不足之处

在不平衡队列上的误导性指标。这是核心。584 例阳性对 58 例阴性，准确率和 F1 被患病率抬高，"全部判阳"在准确率上就击败了该系统（90.97% 对 88.47%）。尤其是，缺少特异度与 AUC 掩盖了任何筛查的致命弱点：重建得到约 24% 的特异度，即 58 例真阴性中有 44 例假阳性。在低患病率的一般人群——筛查工具真正的应用场景——这一工作点将产生大量不必要的 PSG 转诊。仅在富集了病例的队列上优化灵敏度，等于在最讨巧之处衡量性能。

无训练/测试划分，无外部验证。全部评估都在与提示词调优所用相同的队列上进行：结果实际上是"样本内"的，存在把提示词与工作点过拟合到该数据集的风险——这是提示词时代特有的一种数据泄漏。再加上强烈的人群偏倚：单一医院、中国队列、85% 为男性、年龄范围包含一名 4 岁儿童（在成人任务中混入儿科数据），以及被保留为输入的非生理性腰臀比（> 2）。没有任何外部队列检验其泛化能力。

孱弱的对照与不稳定的预测。被最戏剧性击败的基线（InstructBLIP 为 0%、Qwen2.5-VL 为 1.54%）是退化的——稻草人对手——而系统从未与 STOP-Bang 这样经过验证的问卷或已发表的面部照片模型相比较。至于所声称的解剖学锚定，其表现欠佳：打乱或模糊图像会使 642 个预测中的 63 个翻转，这是可能存在捷径学习的迹象（模型或许依赖了伪相关，而非它声称在读取的解剖结构），何况中间的"证据"从未经过耳鼻喉科医生的验证。最后需要指出，一位作者隶属于腾讯优图实验室，而声明却表示不存在利益冲突。

它改变了什么

对研究界而言，这项研究展示了一种颇具吸引力的设计范式：通过提示词编排通用模型，以零训练成本产生结构化、可解释的多模态推理。但它的主要价值在于作为一个关于评估的警示案例：在一个不平衡且富集的队列上报告准确率、灵敏度和 F1，而不给出特异度、AUC 或预测值，可能让一个实际上低于平凡基线的系统显得很强。补救之道是已知的：平衡的队列或现实的患病率、经过校准的工作点、双重呈现的指标、外部验证。

对临床医生和决策者而言，信息是谨慎的：一张面部照片既不能取代多导睡眠图，在现阶段甚至也不能取代一份经过验证的问卷。在筛查中，特异度是关键——每一个假阳性都要付出一夜 PSG 的代价，并给一个健康人带来焦虑。基于面部形态的推断还引出人口学与族裔偏倚以及隐私的问题，一个基于照片的工具将不得不正面应对。

对患者和公众而言，两点简单的道理。不，一款应用无法凭一张自拍可靠地诊断睡眠呼吸暂停。而一个宣称"94%"的标题掩盖了要害：在那些没有患病的人身上，就这份数据而言，这个系统大多数时候是错的。一个好的筛查测试要靠两条腿来评判——既要发现病人，又要放过健康者——而不是只靠一条腿。

延伸阅读

预印本《Structured Visual Evidence Decomposition for Evidence-Grounded Multimodal Screening of Obstructive Sleep Apnea-Hypopnea Syndrome》见 arXiv（2606.00087），作者为 Chen Zhan、Yingchen Wei、Xiaoyu Tan、Jingjing Huang 和 Xihe Qiu（上海工程技术大学；腾讯优图实验室；复旦大学附属眼耳鼻喉科医院；新加坡国立大学）。代码发布于 GitHub；数据（面部图像与临床记录）不公开。研究在中国临床试验注册中心登记（ChiCTR2300069223），由上海市自然科学基金资助（23ZR1425400）；作者声明不存在利益冲突。关于视觉语言模型及其盲点，参见我们的解读：临床 VLM 中文本压过图像、临床中作为评判者的 LLM 的谨慎与元认知，以及医学影像中被子群掩盖的偏倚。

编辑透明度：法文版由 Tatakoto 编辑部在阅读该预印本的基础上撰写并署名。特异度（约 24%）和假阳性数量是根据所报告的准确率、灵敏度和患病率重建的。英文、西班牙文和中文译本在 AI 协助下生成并经审校。