癌症副作用不再只靠静态评分表：SPARC用常规化验轨迹，在11家医院验证预测
核心概要
癌症治疗副作用的预测长期依赖少数变量构成的静态评分表。SPARC把血常规、综合代谢面板与生命体征的纵向序列作为建模对象，先在22.4万名患者、约1.02亿条测量上预训练，再针对死亡、贫血、中性粒细胞减少、发热性中性粒细胞减少、急性肾损伤和肝毒性等任务微调。模型在同中心留出集、前瞻队列以及多家外部医院队列上取得领先或相当的表现，并能按预测风险分层找出最可能从G-CSF预防中获益的患者。
深度剖析
癌症治疗副作用的预测对象从单次快照变成患者自己的化验与生命体征轨迹。 此前的癌症死亡与不良事件预测多依赖少量变量构成的静态评分表，并被限定在特定疾病与治疗情境中。 在MSK留出测试集上，SPARC在两项死亡任务以及急性肾损伤、贫血、肝毒性、中性粒细胞减少上优于或持平所有对照模型，只有罕见的发热性中性粒细胞减少由TabPFN表现最好。
模型把每次就诊拆成若干临床模块，再让时间编码告诉它两次测量相隔多久。 SPARC是时间序列Transformer基础模型，先以缺失感知的自回归目标预训练，即用窗口内前面的时间点预测最后一个时间点的化验值，再按任务微调。 预训练在15.7万个窗口上进行，窗口平均含10.2个时间点、211.9条测量；预测留出未来化验值的均方误差为0.423，低于特征均值0.872、沿用最近值0.590、逐特征线性回归0.519、对最近值做岭回归0.487以及对历史值做岭回归0.451。
跨医院联合微调比单家医院各自微调，在更多任务与站点组合上优于零样本基线。 在INSIGHT六家医院上，零样本结果对高发任务保持得住，而发热性中性粒细胞减少与中性粒细胞减少更难预测。 汇总各院数据做联合微调，在30个任务与站点组合中有24个优于零样本，单院微调为15个；两者不一致的组合分别为10个与1个，McNemar精确检验p=0.0117。
启示与展望
已验证的范围是接受癌症治疗、在大型美国城市学术医疗中心就诊的患者，模型输入限于血常规、综合代谢面板与常规生命体征；作者指出社区医院与非美国医院的化验检测模式可能不同。作者把SPARC作为社区资源发布，并表示结果支持未来开展G-CSF给药的干预性随机研究。
在同中心前瞻队列中，唯一一个AUROC持续下降超过5%的任务是发热性中性粒细胞减少，作者将其归因于事件数少与患者病例构成随时间变化。在CAIA外部中心，发热性中性粒细胞减少也是唯一持续下降的任务，最大ΔAUROC约10%，作者归因于训练数据有限、罕见事件评估指标精度低与机构差异。急性肾损伤在双膦酸盐患者中AUROC为0.87，在顺铂患者中为0.64，作者提出后者可能与临床医生较少给肾功能不全者开顺铂的选择偏倚有关。作者还指出，汇总数据量增加后多数任务性能进入平台期，只有肝损伤继续改善。