脑室内出血：CT 上的一条"脑干背侧线"，由表格基础模型解读，用以预测六个月后的残疾

由陆军军医大学西南医院协调、九家中国医院合作的一项研究提出了"脑干背侧线"（Brainstem Dorsal Line，BSDL）——一个衡量第四脑室积血对脑干压迫的半定量分级，可在入院 CT 上判读。将其与八个临床与影像变量结合，交给 TabICLv2——一个"在上下文中"分类、无需传统再训练的表格基础模型——即可预测六个月的不良功能结局，外部验证 AUC 为 0.90，校准尚可。信号是真实的，标志物也很巧妙，但外部验证仅基于单一国家的 118 名患者，整项研究为回顾性，BSDL 仍靠人工分级，而所选模型相对竞争对手的优势也落在统计噪声之内。

背景

自发性脑出血是最致命的卒中之一：占所有卒中的 10% 至 20%，仍是全球卒中死亡的第二大原因。当血液进入脑室系统——即脑室内出血（IVH），它可使 20% 至 60% 的此类出血进一步复杂化——预后进一步恶化：30 天死亡率达 40% 至 60%，且仅约四分之一的幸存者能在六个月时恢复功能独立。神经功能恢复主要发生在最初三到六个月，因此早期而可靠的预后评估对指导救治强度、告知家属都很有价值。

现有工具较为粗糙。临床医生依赖格拉斯哥昏迷量表（GCS，从 3 到 15 评定昏迷深度）、血肿体积、是否存在脑积水，以及量化脑室内积血负荷的 Graeb 评分（原始 oGS 与改良 mGS）。这些指标多来自单变量分析，难以刻画 IVH 的多因素病理生理。尤为重要的是，尚无专门为 IVH 设计的预后模型——多数研究只把它当作一个二元变量——也没有标准化的方法去量化一个其实很关键的现象：第四脑室积血对脑干（一处紧邻其前方的生命中枢）的占位效应。

方法

论文的首要构想是一个影像标志物。脑干背侧线在入院非增强 CT 的矢状面重建上判读：勾画脑干的背侧轮廓，测量"移位距离"（shift distance，SD），即受压脑干与其理论上未变形位置之间的最大垂直间距。由此分为三级：0 级，第四脑室无积血或少量积血，线条笔直；1 级，有积血但无明显变形，SD 不超过 2 毫米；2 级，血肿较大将脑干向前推挤，SD 超过 2 毫米。两名对结局设盲的神经放射科医生分别评级，分歧由第三人裁定。

随后，BSDL 与经三步筛选保留下来的另外八个变量结合（单变量过滤、剔除高度相关变量，再用 LASSO 回归——一种把最无用变量系数压为零的方法）。最终九个预测因子为：BSDL 分级、GCS、脑实质血肿体积，以及侧脑室、第三脑室与第四脑室的积血体积、急性脑积水、oGS 与 mGS。目标是六个月的功能结局，以改良 Rankin 量表（mRS，从 0 无症状到 6 死亡）衡量，并二分为良好（mRS 0-3）或不良（mRS 4-6）。

算法核心是 TabICLv2（Tabular In-Context Learning，表格式上下文学习）。它是一个表格基础模型：并非在该队列上从零训练，而是先在海量合成表格数据集上完成预训练，再通过上下文学习对新患者进行分类——把训练样例展示给它，它便一次前向即可预测，无需专门的梯度下降。这一家族（本文一并测试的 TabPFN 也属其中）以在小型临床数据集上表现出色而著称。作者将其与另外七个模型比较：逻辑回归、随机森林、SVM、XGBoost、LightGBM、一个神经网络和 TabPFN。评估不止于 AUC：还包括 AUPRC（精确率-召回率曲线下面积，在阳性病例为少数时更诚实）、校准（Brier 分数、Hosmer-Lemeshow 检验）、以决策曲线分析衡量的临床效用，以及以 SHAP 值实现的可解释性。

结果

模型开发基于来自七个中心的 610 名患者，分为 488 名用于训练、122 名用于内部验证；外部验证覆盖另外两个中心的 118 名患者。不良结局约占开发队列的 28%、外部队列的 26%。仅从描述中，新标志物的信号便一目了然：BSDL 2 级见于 47.1% 的不良结局患者，而良好结局者中仅为 4.5%。

在外部验证中，TabICLv2 达到 AUC 0.90（95% CI 0.825-0.958）、AUPRC 0.82、Brier 分数 0.099、灵敏度 77.4%、特异度 92.0%、准确率 88.1%。校准站得住脚：Hosmer-Lemeshow 检验无统计学意义（内部 p = 0.59，外部 p = 0.38），表明所显示的概率与观察到的频率大致吻合——这一点被太多研究忽视。SHAP 分析将 BSDL 2 级列于各贡献之首，超过 GCS 与脑实质血肿体积，且从 0 级到 2 级呈现剂量-反应关系。

换成临床视角，需保持分寸。在 1000 名符合本研究标准的 IVH 患者中，约有 260 人会在六个月时结局不良。在所选阈值下，模型会正确标记出约 200 人，漏掉约 60 人（被判为可恢复而实际将恶化），代价是约 60 次误报（被判为不良而实际会恢复）。这相较单变量评分是实实在在的改进，但一个漏掉近四分之一不良结局的模型并非神谕——而且该数字描述的是区分能力，并不能证明救治会因它而改变。

做得好的地方

一个具体、免费且生理上合理的标志物。BSDL 不需要任何额外影像：它就在每位患者已经接受的入院 CT 上判读。它把一个临床直觉——第四脑室积血对脑干的压迫——形式化，而此前这一现象缺乏标准化的分级框架。原始对比（2 级见于 47.1% 的不良结局对 4.5% 的良好结局）及其在 SHAP 排名中的首位，表明这并非表面修饰，而是模型的主导预测因子。

方法学规范高于该领域平均水平。在两个未用于训练的中心进行外部验证、明确测量校准（Brier、Hosmer-Lemeshow）、以决策曲线衡量临床效用、SHAP 可解释性，并按 TRIPOD+AI 框架报告。许多预后模型止步于讨喜的内部 AUC；本研究明显走得更远，这让它的结论可核验。

对表格基础模型的一次诚实测评。在一个小型临床数据集上让八个算法（包括新近的 TabPFN 与 TabICLv2）同台竞技，本身就有价值：它记录了上下文学习在此类任务上站得住脚，而人们常以为深度学习需要大体量数据。该预印本为开放获取（CC BY 4.0 许可），无利益冲突声明，由地方公共经费资助，代码与数据均可应请求获取。

做得不够的地方

人群偏倚与狭窄的外部验证。728 名患者全部来自九个中国中心，且纳入标准较严：年龄 18-80 岁、入住 ICU、脑实质血肿不超过 20 毫升、既往几乎完全自理（mRS 0-1）。"外部"验证仍在中国，且仅有 118 名患者，因此置信区间较宽（AUC 从 0.83 到 0.96）。没有任何保证能推广到其他卫生系统、其他人群、其他神经外科实践——这是典型的人群偏倚，此处还叠加了一个不大的测试样本。

所选模型的优势落在噪声内，而指标只是门面。TabICLv2 并未压倒谁：在训练集上，TabPFN 略胜一筹（AUC 0.820 对 0.818）；在外部，神经网络的 AUC 更高（0.910）却灵敏度崩塌（48%）。各置信区间大幅重叠：把 TabICLv2 说成赢家是一种折中选择，而非已被证明的优越（对比较对象需保持分寸）。而 AUC 0.90 这个最好卖的数字，必须与 AUPRC 0.82、尤其是 77% 的灵敏度并读：近四分之一的不良结局从雷达下溜走（误导性指标）。

自我实现预言的风险，以及一个仍属手工的标志物。用严重程度标志物去预测重症出血的结局，会引出适应证混杂的幽灵：如果脑干严重受压（2 级）导致限制救治或谢绝手术，那么"不良结局"就部分成了决策的后果，而不仅是病变本身。作者承认记录了治疗策略，却未分析其与 BSDL 的交互作用——对一个终将用于指导操作的评分而言，这是重要的盲区。此外，BSDL 由放射科医生人工分级（主观性、观察者间变异在此未量化），尚无自动分割，且既无前瞻性验证、也无监管许可。

它改变了什么

对研究界而言，有两点贡献。其一，一个可信的线索：表格基础模型（TabPFN、TabICL）在小型临床队列上具竞争力，这或可缓解对数据体量的要求。其二，BSDL 这一标志物足够简单，可在别处检验、以分割实现自动化，并与非中国队列对照。接下来的步骤不言自明：前瞻性验证、亚组分析、纳入所接受的治疗，以及分级的自动化。

对临床医生而言，今天不会有任何改变：这是一个研究模型，尚未部署，也没有前瞻性验证或许可。不过 BSDL 具有即时的教学价值——它为神经外科医生凭直觉感知的现象命名并分级——若得到证实，可能让人对入院 CT 的判读更为敏锐。审慎之处在于双重陷阱：不要把评分变成固定的判决，也不要让一个悲观的预测独自决定救治的强度。

对患者和公众而言，其承诺是清晰的：基于一项已经完成的检查，尽早给出更准确的结局估计，以便更好地告知、更好地分配重症监护资源。但估计不是判决，它是在一个特定人群上学到的；这样的工具绝不应原封不动地移植到另一情境而不重新验证——而一旦有朝一日被用于引导决策，也不应逃避作为医疗器械软件的监管。

延伸阅读

预印本见 medRxiv（DOI 10.64898/2026.07.28.26359173），采用 CC BY 4.0 许可，代码与数据可应请求获取。作为背景，可参阅脑室内出血中的 Graeb 评分（原始与改良）及格拉斯哥昏迷量表、有关表格基础模型（TabPFN、TabICL）与上下文学习的文献，以及用于评估临床预后模型的 TRIPOD+AI 报告框架。