卒中预后：在 MR CLEAN 试验上比较六名神经科医生、一个经典模型与一个深度学习模型

来自苏黎世、阿姆斯特丹和马斯特里赫特大学医院的团队组织了一场少见的对决：基于随机对照试验 MR CLEAN 的数据，六名神经科医生预测大血管闭塞性卒中患者三个月时的残疾程度，并将其判断与两个模型——一个经典统计模型和一个直接读取影像的深度学习模型——进行比较。在完整的残疾量表上，两个模型都明显优于医生，后者的预测存在系统性的乐观偏差和很大的个体差异。结论并不是"机器取代神经科医生"：而是人为误差主要源于对影像的不精确判读，而一个端到端模型通过省去这一手动环节，可以充当可靠的"第二意见"——但绝不应成为单独决定治疗与否的"守门人"。

背景

大血管闭塞性卒中（英文 large vessel occlusion，LVO）是一种分秒必争的急症：血栓堵塞了一条主要的脑动脉，而预后在一定程度上取决于治疗的快慢。机械取栓（endovascular treatment，EVT——通过导管取出血栓）已经改变了诊疗格局，但患者的转归仍然高度不一：三个月时，仅约一半接受治疗的患者能恢复自理能力。

为预判病情演变，标准的衡量尺度是改良 Rankin 量表（modified Rankin Scale，mRS），从 0（无症状）到 6（死亡）分级。预测三个月时的这一评分，有助于做决策以及向患者和家属说明情况。然而多年来的研究表明，即便经验丰富的临床医生也难以做到准确预测。人们提出了一些统计评分（THRIVE、DRAGON、MR PREDICTS），它们往往胜过医生；近来，深度学习模型则直接整合原始影像。但有一个问题一直少有人探究：面对这些工具，医生究竟表现如何？模型的辅助如何改变他们的判断？人为误差究竟来自何处？这正是 Lisa Herzog、Nelly Blindenbacher 及其同事这篇预印本试图逐一拆解的内容。

方法

作者使用随机对照试验 MR CLEAN 的数据（500 名大血管闭塞患者，在发病六小时内接受治疗，随机分为取栓组与非取栓组），这是取栓领域的一项里程碑式试验。任务是：预测三个月时的 mRS，既在完整的有序量表（0–6）上，也以二分形式（0–2 为"良好"自理，对 3–6 为"不良"）进行。

六名来自苏黎世大学医院的神经科医生（从业 4 至 20 年，中位数 10.5 年）预测了 40 个病例的转归，这些病例通过倾向评分匹配挑选，以平衡接受治疗与未接受治疗的患者。每人分两轮进行：先仅凭临床和影像数据（平扫 CT 和 CT 血管造影），再借助 MR PREDICTS 进行第二轮，此时需要自行估计该工具所要求的影像参数。

两个模型作为对照。MR PREDICTS 是一个经过验证且公开的决策支持工具：一种有序回归，把临床变量与人工提取的影像特征结合起来——ASPECTS 评分（量化 CT 上早期病变的范围）、闭塞部位和侧支评分（备用供血通路的质量）。解读时有一个关键细节：MR PREDICTS 最初就是在 MR CLEAN 上开发的，因此在这里相当于"主场作战"。第二个模型是一个多模态深度学习网络，通过 transformer 类架构（一种擅长分析按关系结构化的数据的网络，这里是图像）直接读取原始 CT 血管造影，并与临床变量结合，置于一个所谓可解释的有序回归框架中（临床变量的效应以可读的比值比表示）。它在 449 名患者上以五折交叉验证训练。性能用二次加权 kappa（QWK，与真实评分的一致性，对越大的偏差惩罚越重）、误差在一分以内的准确率、AUC（ROC 曲线下面积，区分良好与不良的能力）以及 Brier 评分（概率校准质量）来衡量。研究遵循 TRIPOD 和 CONSORT-AI 指南。

结果

在完整的有序量表上，模型明显胜出。在比较子集（40 例）中，MR PREDICTS 的 QWK 达到 0.51，深度模型为 0.49，而无辅助的神经科医生仅为 0.27——差距明显。尤其是，医生彼此之间分歧巨大：评估者间一致性（Fleiss κ）只有 0.11，说明不同医生的预后判断很不稳定。在更大的队列（404 个完整病例）中，MR PREDICTS 的 QWK 为 0.48，深度模型为 0.41；在二分预测上，深度模型达到 71.3% 的准确率，高于 MR PREDICTS 的 66.8%，AUC 为 0.74（对 0.78），但校准更好（Brier 0.17 对 0.20）。

最具启发性的并非分数，而是对人为误差的剖析。神经科医生系统性地偏乐观：他们预测的残疾比实际观察到的更轻，这一偏差在所有评估者身上都存在，无论是否有辅助，而模型的误差是对称的。而当他们需要自行提取影像参数时，常常出错：闭塞部位仅在 65.8% 的病例中判断正确，侧支评分为 44.6%，他们对 ASPECTS 评分的估计平均偏离确认值 3.4 分。提供 MR PREDICTS 适度地改善并且尤其是统一了预测（二分的评估者间一致性从 0.25 升至 0.40，二分准确率升至 68.8%），但在有序量表上并未把医生提升到单独模型的水平。

诚实的临床解读：对于"患者是否能自理"的二分分诊，人与机器大致相当（准确率约 64 至 71%）。模型拉开差距的地方在于细微之处——预测残疾的确切程度，而这恰恰是做决策、与家属进行艰难对话的关键所在。不过约 0.77 的 AUC 仍然中等：作者提醒，这里很可能存在一个生物学上限，因为急性期之后发生的事件（复发、并发症）并未写入初始数据。

值得肯定之处

一个人类对照，而且非同一般。 大多数 AI 医学论文只与某个评分或什么都不比。这里，六名执业神经科医生在受控条件下进行预测，并且还测量了人–模型的交互。这才是恰当的临床问题：不是"模型好不好？"，而是"它为做决定的医生改变了什么？"

对误差来源的剖析。 研究没有宣称某种优越性，而是指出了人为何出错：系统性乐观，尤其是无法可靠地提取经典模型所需的影像参数。这是支持端到端模型（省去这一手动环节）的有力且有分寸的论据。

透明度与部分可复现性。 代码在 GitHub 上公开，研究遵循 TRIPOD 和 CONSORT-AI 报告清单，深度模型严格在未见过的测试数据上评估，作者声明无资助、无利益冲突。这些都是方法学严谨的信号。

不足之处

一个"主场作战"的对照：有偏对照的失效模式。 MR PREDICTS 是在 MR CLEAN 试验上开发的；在同一数据集上评估它很可能因过拟合而抬高其性能，作者也承认这一点。因此它与在未见数据上测试的深度模型之间的比较并不公平：经典模型的分数很可能偏乐观。

单一试验、陈旧队列：人群偏倚的失效模式。 所有数据都来自 MR CLEAN，采集于 2010 至 2014 年，早于当前的取栓器械和方案。人群基本上是荷兰人。深度模型尚无外部验证，无法保证它在今天的患者、其他国家或其他扫描设备上仍然成立——作者对此直言不讳。

极小的比较样本和人为的设置。 实验基于 40 个病例和 6 名医生：置信区间很宽（深度模型在这 40 例上的 AUC 从 0.42 到 0.91）。而这种练习——凭病历预测，没有实时压力，也没有与患者的直接接触——并不能还原值班的真实情境，在那里临床直觉会借助数据中没有的信息。这里所测的"预后"还有一个内在局限：部分转归取决于任何初始数据都无法包含的后续事件。

它改变了什么

对研究界而言，这项研究移动了讨论的焦点。它证实模型在卒中的精细预后上胜过临床医生，但更重要的是，它表明人类的瓶颈在于影像判读——这支持采用省去手动特征提取的端到端模型，而非依赖于此的评分。它还呼吁衡量的不只是模型本身的性能，而是人–模型的交互，因为一个工具的优越并不会自动转化为更好的人类决策。

对临床医生而言，目前没有任何东西可以直接部署：这是一个基于单一试验、回顾性、缺乏前瞻性与外部验证的模型。但方向是明确的——端到端模型可以提供客观、快速的"第二意见"，有助于抵消自发的乐观，并统一如今在不同医生之间差异很大的预后判断。作者强调了伦理框架：这样的工具应当支持决策和与家属的沟通，绝不应充当拒绝治疗的"守门人"。对患者和公众而言，信息是有分寸的：机器并不"看见"未来，它根据第一天的数据估计概率；它可以帮助医生更准确、更一致，但卒中的预后本质上仍是不确定的，决定权仍在人。

延伸阅读

预印本见 medRxiv（DOI 10.64898/2026.06.12.26355559），分析代码见 作者的 GitHub 仓库。关于卒中后 AI 预后的其他角度，参见我们的解读：用于卒中后死亡预测的异质图 以及 基于神经影像的认知预后。

编辑透明度：法文版本由 Tatakoto 编辑部在阅读预印本后撰写并署名。英文、西班牙文和中文译本在 AI 协助下生成并经过校对。