急性重症胰腺炎：在722例患者中，随机森林击败所有深度学习模型
一篇由单一作者署名的预印本（Netanel Stern，"PenuX Research Initiative"）比较了十一种机器学习与深度学习模型，试图在入院时、仅凭十三项常规化验，预测哪些患者会发展为急性重症胰腺炎——使用的是一个包含722例患者的公开中国队列。结果清晰而有启发性：经典模型胜出，随机森林达到0.877的AUC，而所有深度学习模型都更差，部分甚至崩溃到几乎把所有人都预测为"重症"。这是一个诚实而有用的阴性结果——在小规模表格数据上，决策树胜过神经网络——但该队列中有81%是重症病例，与临床现实相反，而且研究从未与它声称要超越的临床评分进行比较：因此它尚未证明任何关于床旁实用性的东西。
背景
急性胰腺炎是最常见的消化系统急症之一，全球年发病率估计约为每10万人34例。多数情况下可自行缓解，但有10%至20%的患者进展为重症形式（severe acute pancreatitis，SAP）。根据2012年修订版亚特兰大分类，重症的定义是存在持续性器官衰竭——持续超过48小时。这种重症形式十分凶险：病死率约为20%至40%，并对重症监护资源造成沉重负担。
关键在于预判。尽早识别高危患者，便可升级为加强监护、积极液体复苏并组织多学科管理。然而现有的严重程度评分——Ranson、APACHE II、BISAP、改良CT严重指数——都有同一个局限：它们需要积累24至48小时的数据，或需要在急性期未必合适的增强CT。因此，一个能在患者抵达急诊时、仅凭首次抽血就作出判断的模型颇具吸引力。这正是该预印本设定的目标。
方法
数据来自一个已发表并公开存放于GitHub的中国队列：722例急性胰腺炎患者，其中585例（81.0%）被划为重症，137例（19.0%）为轻症或中度重症。这一比例必须牢记在心：它并不反映重症形式的真实频率，而是反映了转诊中心的收治特点，重症病例在其中被过度代表。每位患者由入院时可获得的十三项变量描述：白细胞计数、C反应蛋白、肌酐、尿素、血糖、血钙、乳酸脱氢酶、白蛋白、血细胞比容、年龄、体重指数、心率和收缩压。
作者让十一种模型在三个家族中相互较量。三种经典模型：逻辑回归、随机森林（Random Forest，由数百棵决策树投票组成的集成，此处为500棵树并对类别加权）和梯度提升（gradient boosting，依次添加的树，每一棵纠正前一棵的误差）。三种前馈神经网络：多层感知机（MLP，信息穿过逐层结构的基础架构）、带残差连接的变体，以及带注意力机制的变体（对各变量的相对重要性加权）。最后是五种LSTM类型的循环模型——一种为时间序列设计的架构。一个决定性的细节：本无时间维度的表格数据，在此被作为长度为1的"序列"输入这些网络，这一用法超出了它们的设计范畴。
评估基于五折分层交叉验证（将队列分成五份，保持重症病例的比例，每一份轮流作为测试集）。一个值得注意的方法学卫生要点：归一化和缺失值填补仅在训练折上计算，从而避免数据泄漏（data leakage）——即测试集被来自训练的信息污染，从而人为抬高性能。决策阈值的选择以最大化F1（精确率与敏感性的调和平均）为目标。所报告的指标包括AUC（ROC曲线下面积，区分重症与非重症的能力）、F1、敏感性和阳性预测值。研究未进行任何外部验证。
结果
经典模型占据主导。随机森林居首，AUC为0.877，F1为0.917，敏感性为96.8%，阳性预测值为87.1%；在其优化阈值0.535处，它正确识别了96.8%的重症病例（在该队列中约为566例真阳性和19例假阴性）。梯度提升紧随其后：AUC 0.874，F1 0.918，敏感性97.1%。逻辑回归达到0.817。
深度学习则系统性地更差。最好的前馈网络——简单的MLP——止步于0.836，尚可，但低于决策树。循环模型则崩溃：其中最好的CNN-LSTM仅达0.777，标准LSTM为0.699，带注意力的LSTM变体垫底，为0.684。随机森林与最佳循环模型之间相差0.100个AUC点，差距可观。尤为关键的是，这些LSTM的敏感性达98.3%至100%，代价却是几乎为零的特异性：它们倒向了多数类，几乎把所有人都预测为"重症"。靠把所有人都判为患病而获得的100%敏感性毫无价值——这正是一个误导性指标的现场示范。
诚实的临床转译要求对这些好看的数字提出警示。87.1%的阳性预测值是在一个81%为重症的人群中测得的。然而，一项检验的精确度取决于患病率：若应用于真实急诊科——其中只有10%至20%的患者会进展为重症形式——在相同敏感性下，同一模型会产生多得多的假警报。作者指出其敏感性"优于"已发表的BISAP和APACHE II在24小时内60%至80%的数值，但从未在同一队列上计算这些评分——因此该比较仍是间接的。
做得好的地方
对抗数据泄漏的方法学卫生。归一化和填补仅在训练折上计算、分层交叉验证保持类别不平衡、阈值在训练部分上确定：这些在IA-健康文献中常被忽视的预防措施，此处得到正确应用，限制了性能被人为抬高的风险。
一个被坦然承担的阴性结果。报告深度学习不敌随机森林、LSTM崩溃，与偏好正面宣告的发表偏倚背道而驰。变量的选择在临床上也合情合理：仅使用入院即可获得、无需CT的常规化验，因而既早又廉价。
透明度。代码在GitHub上公开，研究基于一个开放数据集，作者声明无资助、无利益冲突，并以明确的免责声明指出该工作不用于临床。对于一篇预印本而言，这些严谨的信号实属难得。
做得欠佳的地方
81%为重症的队列：人群偏倚与误导性指标这两种失效模式。该研究的患病率与流行病学现实（10%至20%为重症形式）相反。所有性能数字——尤其是阳性预测值——都因此被机械地美化。96.8%敏感性这一招牌数字，几乎说不清模型在重症病例稀少的急诊人群中会有何表现。
没有任何临床比较对象：比较对象缺失这一失效模式。论文从未在该队列上将其模型与BISAP、APACHE II或Ranson评分对决。然而整个立论——胜过缓慢的评分——恰恰依赖于这一未做的比较。以取自其他研究、其他人群的数值来宣称优越，并无证明力。
没有外部验证，且来源脆弱。一切都依赖于单一的中国队列，且系从一个公开仓库再利用而来；无法保证可推广到其他国家、其他病因或其他实践。作者承认，相较于真正独立的测试集，交叉验证可能高估性能。而且该工作是一篇未经同行评审的预印本，由隶属于某个"研究计划"、却无可识别的医院或大学背景的单一作者署名：其成熟度仍停留在原型阶段。
这意味着什么
对研究界而言，这项研究是一记有益的提醒：在小规模表格数据上，提升树和随机森林仍是需要超越的基准，而把LSTM应用于无时间维度的数据——折叠成长度为1的序列——是一种范畴错误。"医学问题，所以用深度学习"的反射，在此被清楚地证伪。
对临床医生而言，没有任何东西可以部署：没有外部验证，没有与他们已在使用的评分作比较，患病率也不具代表性。该模型并未证明它能在现有工具之外带来任何东西。对患者和公众而言，这项研究最重要的是示范了一条阅读规则：诸如"某AI以97%的准确率预测重症胰腺炎"之类的标题，掩盖了该队列本就有81%为重症病例——这个数字无法原封不动地搬到真实的急诊室。
延伸阅读
预印本可在 medRxiv（DOI 10.64898/2026.06.20.26356146） 获取；代码发布于 作者的GitHub仓库，源队列见 一个专门的公开仓库。关于临床模型的批判性阅读——校准、决策曲线与患病率——参见我们对 在MIMIC-IV上预测重症监护病死率 的解读；关于经典学习与可解释性，参见 子宫内膜癌血栓栓塞风险 的解读。
编辑透明度：法文版由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辅助下生成并经过审校。