一项由华盛顿大学医学院（WashU Medicine）多学科团队开展的研究显示，融合临床知识的AI模型在预测颈椎病——尤其是颈椎椎管狭窄性脊髓病（CSM）——方面，表现优于通用型大模型。该研究发表于《npj数字医学》（npj Digital Medicine）。 CSM是老年人脊髓功能障碍的最常见原因，由颈部关节退行性变导致脊髓受压，具有慢性进展性，早期症状如颈痛、肌无力和行走困难常被忽视，往往在病情较重时才被确诊，此时治疗窗口已大大缩小。研究团队的目标是利用电子健康记录（EHR）数据，将诊断时间提前最多30个月，从而实现早期干预。 研究由神经外科博士后萨利姆·亚克丹（Salim Yakdan）和计算机科学与工程博士生本·沃纳（Ben Warner）共同主导。他们分析了超过200万患者的EHR数据，使用七种AI模型识别CSM高风险患者。这些模型通过分析患者过往的诊疗记录，如检查项目、诊断结果等，寻找与已确诊患者相似的医疗轨迹。 研究团队比较了两类模型：一是基于大规模临床数据预训练的通用“基础模型”（foundation models），二是基于临床知识构建、聚焦关键变量的轻量级定制模型。结果显示，虽然基础模型在内部验证中表现更优，但小型临床导向模型在外部不同医疗系统中展现出更强的泛化能力与稳定性，尤其在不同时间窗口的预测中表现更一致。而中等规模模型则表现不佳。 研究共同通讯作者、神经外科助理教授雅各布·格林伯格（Jacob Greenberg）指出：“我们证明，仅靠数据驱动的模型并不总能成功。通过融入临床经验，即使使用较简单的深度学习模型，也能实现不逊于甚至优于大模型的预测效果。” AI与健康研究所主任、通讯作者吕晨阳（Chenyang Lu）强调，临床知识在提升AI模型可推广性方面至关重要。他指出，许多AI模型在单一医院系统中表现良好，但在其他系统中失效，而临床指导的模型能更可靠地应对真实世界复杂性。 这项研究证明，将医学专业知识与AI结合，不仅能提升预测准确性，更能推动AI在医疗领域从“技术可行”迈向“临床可信”。