大语言模型能预测患者生存期吗？Survprompt框架给出答案

当患者向AI求助预后，LLM靠谱吗？

生存分析（Survival Analysis）是医学风险评估的核心工具，它通过患者的协变量（covariates）来估计「时间到事件」的结局——比如确诊某种癌症后的预期生存时间。随着ChatGPT类消费级应用的普及，越来越多患者在拿到诊断后，会直接向大语言模型（LLM）询问自己的预后情况。

问题在于：这些模型给出的生存预测究竟准不准？在此之前，学界并没有对此进行过严格评估。来自arXiv的一篇最新研究《Large Language Models are Approximate Survival Estimators》正面回应了这一疑问，结论颇具冲击力——前沿LLM在零样本（zero-shot）条件下，竟然能给出相当接近专业模型的预后估计。

rss source: Large Language Models are Approximate Survival Estimators

Survprompt：把病历变成「临床小故事」

研究团队提出了一个名为 Survprompt 的框架。它的核心思路并不复杂但很巧妙：将结构化的患者协变量（如年龄、肿瘤分期、实验室指标等）转换为自由文本形式的「临床小故事」（clinical vignettes），再把这些文本喂给预训练LLM，让模型以零样本方式直接预测生存期。

这种做法的意义在于，它绕开了传统生存模型需要专门训练、依赖结构化数据格式的限制，直接利用LLM在海量医学文献和临床文本中习得的知识。换句话说，它测试的是「一个没有经过生存预测专项训练的通用模型，到底能从病历描述中读出多少预后信号」。

两大泛癌种队列上的硬核对比

为了检验Survprompt的真实水平，研究在两个多机构泛癌种（pan-cancer）队列上进行了基准测试：

MSK-CHORD：公开可用的大型癌症队列数据
Providence St. Joseph Health Network队列：一个全新整理的数据集，由基于LLM的医学信息抽取框架构建

对照组则是传统生存分析模型，重点是 随机生存森林（Random Survival Forests, RSF）——这是生存预测领域的主力方法之一。评估指标采用了两项关键度量：

删失平均绝对误差（cMAE）：衡量预测生存时间与真实值的偏差
一致性指数（c-index）：衡量模型对高低风险患者的区分能力

此外，研究还做了特征消融（feature ablations），用于识别哪些变量真正影响了LLM的预测。

随机生存森林（Random Survival Forests, RSF） 是由 Leo Breiman 的随机森林算法延伸而来的集成学习方法，专为处理含删失数据（censored data）的生存分析任务而设计。传统随机森林通过多棵决策树的投票预测分类或回归结果，而RSF的每棵树在分裂节点时以最大化子节点之间的生存差异（通常使用对数秩检验统计量）为准则，最终每棵树输出一条累积风险函数（cumulative hazard function），所有树的平均值即为集成预测。RSF天然能处理高维特征、非线性关系和特征交互，不需要对生存时间分布做参数假设（如Cox模型的等比例风险假设），因此在真实世界肿瘤数据集上往往表现优异，是近年生存预测竞赛和临床研究中的基准首选。

删失（censoring） 是生存分析中的核心概念，指在研究结束或患者失联时，目标事件（如死亡）尚未发生，我们只知道该患者在某时间点之前仍存活，而非确切的事件时间。正确处理删失数据是生存分析区别于普通回归的根本所在，cMAE（删失平均绝对误差）正是在传统MAE基础上对删失样本做了统计校正，使评估更加公平。

关键发现：准得出人意料，但区分能力不足

结果可以拆成「惊喜」与「隐忧」两个方面。

惊喜：cMAE表现极具竞争力

前沿LLM在个体生存时间预测上的cMAE表现令人意外地出色。文中以 GPT-5.6-Sol 为例，它在多种癌症类型上的cMAE与专门训练的SOTA级RSF模型相差在10%以内；在MSK-CHORD的前列腺癌预测中，LLM的cMAE甚至低于RSF，也就是说预测误差更小。

更有意思的是，特征消融显示LLM在给临床变量排序优先级时，与专业生存模型的侧重点高度相似。这意味着模型并非在「瞎猜」，而是确实抓住了与预后相关的核心临床因素。

隐忧：风险分层能力弱

然而硬币的另一面同样明显。LLM在不同癌症类型、不同机构之间的表现并不稳定，一致性参差。更关键的是，它对高风险与低风险患者的区分能力较差（c-index偏低）。

这是一个在临床上极其重要的短板。生存预测的价值不仅在于「预测一个大致的生存时长」，更在于能否把一群患者按风险高低排序——哪些人需要更激进的治疗，哪些人可以观察等待。c-index低意味着LLM在这件事上并不可靠。

一致性指数（c-index，又称 Harrell's C-statistic） 是生存分析中衡量模型判别能力的核心指标，可理解为「对于任意两个患者，模型正确判断谁会先发生事件的概率」。c-index = 0.5 代表随机猜测，= 1.0 代表完美排序。在临床实践中，c-index 低于 0.6 通常被认为判别能力不足。风险分层之所以重要，是因为肿瘤科的核心决策往往是比较性的：同样是肺癌3期，不同分子亚型、不同体能状态的患者预后可能相差数倍，治疗方案也截然不同。一个只能给出「平均生存期约18个月」但无法区分高低风险个体的模型，在个体化医疗场景下价值十分有限。这也是为什么研究者同时报告 cMAE 和 c-index 两项指标——前者考察预测值的绝对精度，后者考察相对排序能力，二者共同构成对模型实用性的完整评估。

对临床应用意味着什么

这项研究传递的信号相当微妙。一方面，它证明了零样本LLM在没有任何专项训练的情况下，就能生成令人惊讶的准确预后估计，这为医学AI的可及性打开了想象空间——患者和基层医生或许能借此获得初步参考。

另一方面，模型跨癌种、跨机构表现的不稳定性，以及薄弱的风险区分能力，构成了其临床落地的重要障碍。把一个「平均误差小但分层能力差」的工具直接用于患者决策，风险显而易见。

论文标题中的「Approximate（近似）」一词用得恰到好处：LLM是一个近似的生存估计器。它能给出方向大致正确的数字，却尚不足以替代经过严格训练与验证的专业模型。对于关心AI医疗边界的从业者而言，这项工作既是一次鼓舞，也是一记提醒。