这周最该记住的一句话：AUROC 稳定，是一句危险的话

大家好，我是 five。这一周健康底层数理领域的进展密度很高，但我不想堆砌。挑四件真会影响我们做研究、做产品的事讲清楚。

先说四条核心结论

1. 衰老时钟，第一次可以用"体检科已经在做的项目"算出来。中科院团队在《Nature Aging》用 172 项常规体检指标、10.4 万人，做出了男女分开的临床衰老时钟。男性转折窗在 35–45 岁，女性在 55–65 岁、拐点约 60 岁。不用甲基化，不用蛋白组。
2. AI 学到的"健康表征"，这一周被从两端一起加固：一边证明它可能悄悄带入任意大的因果偏倚，另一边给出了"从目标状态反向追溯驱动因素"的正规解法（《Nature Methods》）。
3. 生存分析的四块地基同时被撬动。最刺眼的一条：用计算表型替代病历复核，会让一项药物安全结论直接翻符号——HR 从 1.53 变成 0.93。
4. 模型评估的纪律要改：判得准不等于能用。有研究把评估搬到筛查真实会用的工作点上，立刻发现"判别力看起来稳定，但误报负担在不同疾病、不同系统之间差异巨大"。

展开一：衰老时钟进入了"便宜数据"时代

这几年衰老时钟最大的问题是——测得起的人不需要，需要的人测不起。甲基化、蛋白组学都很贵，社区根本做不了。

10 月 30 日前后国内集中报道的一项《Nature Aging》研究换了个思路：北京、衢州、南昌三个中心，104,208 人，18 到 98 岁，只用了 172 项常规临床参数——血常规、生化、肿瘤标志物这些体检科本来就在做的项目，分别建立男、女两套临床衰老时钟。

结果最有意思的是男女的衰老轨迹根本不重叠：

• 男性衰老高峰在 35–45 岁。这段时期不是简单的"中年发福"，而是 BMI、胆固醇、甘油三酯同步上升，代谢失调特别明显。
• 女性高峰在 55–65 岁，拐点约 60 岁，正好是围绝经期，伴随促卵泡激素与黄体生成素的大幅变动。

机制上，LDL、甘油三酯、血糖、尿酸这些代谢因子，加上 CEA、HE4 这类肿瘤标志物，会随年龄在血液里累积；体外实验显示这些因子能诱导人内皮细胞出现衰老表型，而高脂饮食小鼠把饮食改回来之后，这种衰老是可以逆转的。

必须说清楚：这是横断面研究，只能看相关性，作者自己也这么写。但对我们做社区健康的人，它的意义很实际——这是我们唯一零增量采集成本就能复现的时钟。我已经把它列为下一步在队列上要做的事：按性别分别拟合，先验证 35–45 岁男性那个代谢转折能不能复现。

同一周，仁济医院卜军/钱昆团队在《Science Translational Medicine》拿到封面：中国六中心 18,476 人、年龄覆盖 1 到 96 岁、随访约 6 年，用 56 个血浆代谢特征建了代谢衰老与死亡时钟。

把这两篇和之前的中国人群蛋白时钟放在一起看，拼图就完整了：临床指标（几乎零成本）→ 代谢组（中成本）→ 蛋白组（高成本），三个成本档位、都是中国人群。做筛查组合时正确的问题不是"哪个最准"，而是"在给定预算下，边际增益最大的是哪一档"。

来源：Nature Aging, DOI 10.1038/s43587-026-01180-5；Science Translational Medicine（2026-10）

展开二：因果表征被从两端同时加固

第一端是"审查"。 上周我讲过一篇理论工作：你用深度学习学出来的"健康画像"，哪怕重构精度几乎无损，也可能让因果效应估计的偏倚变得任意大。上周是给这条路线装保险丝。

第二端是"分解"。 这周上海交大陈洛南团队与东京大学合原一幸团队在《Nature Methods》发表了 CauTrigger，做的是另一件事——从你想要的终点状态，反过来一层层找驱动因素。

它的设定很漂亮：给定一个"初始状态"（比如疾病态）和一个"目标状态"（比如健康态），模型从目标状态出发逐层往上追溯：这一层谁是候选触发器？把没入选的变量传到下一层，慢慢搭出"上游因素—中间调控—最终状态"的完整层级结构。如果你有生物学先验，就沿着"转录因子→顺式调控元件→靶基因"这样的链条走。

每一层用双流变分自编码器，把"真正在起作用的因果信号"和"只是跟着变的伪相关"分开，再加一个基于 do-calculus 的干预性因果信息流目标压制混杂。最后它可以模拟"如果我把这个因子抑制掉/增强，下游会怎么变"，从而给出从疾病态走到健康态的导航方案，而且是可被实验检验的具体假设。

我一直认为这是健康世界模型最难也最有价值的一段：不只是预测"你会不会生病"，而是回答"谁在驱动、通过什么路径、改变它会怎样"这三连问。CauTrigger 把三问串成了一条可执行的管线。

来源：Nature Methods（2026-10-22 在线）

展开三：生存分析地基被撬动的四块砖

这周有四篇方法学文章，值得所有做队列研究的人读。我按危险程度排序：

最危险的：计算表型会让结论翻符号。 电子病历研究里，结局和协变量大多是算法自动识别的，有误差；人工病历复核只能做一小部分。一篇新方法（MAPS）在 1,026 例免疫治疗患者里发现：只用算法识别的分析提示"既往自身免疫病增加免疫相关不良反应风险"（HR 1.53），而完全复核后的分析根本不支持（HR 0.93）。两个结论方向完全相反。这意味着什么？意味着一个研究有没有做那"一小部分复核"，可能决定它发表的是正面还是负面结果。

最隐蔽的：单一时间尺度会系统性偏倚。 我们的慢病数据里"时钟重置"到处都是——确诊糖尿病、首次脑卒中、开始透析，每个事件都重置临床时钟。一篇多状态框架下的研究证明：当不同起源状态的死亡强度在共同时间尺度上不成比例时，单时间尺度的模型会系统性偏。所以做"健康→代谢风险→冠心病→心衰→死亡"这类多状态分析，必须逐条转移说清楚用的是哪个时间尺度。

最容易被误以为"方法不够好"的：跨试验迁移其实缺的是信息。 把生存效应从一个试验搬到另一个场景，如果忽略"进展后治疗格局"（各层患者后续接受什么治疗），标准校正方法全都失效——而且不同校正法的偏倚几乎一样大。作者证明：这不是方法问题，是信息缺失问题。方向甚至可能都无法确定。

最应该改口径的：风险比（HR）本身有硬伤。 一篇由 Tchetgen Tchetgen 等人参与的工作重启了"生存比"与"累积发生比"，直接比较生存概率而非风险率，还给出双重稳健估计。原因很实在：HR 不可折叠，混杂调整本身会"制造"效应变化。所以我们对外说"风险降低 X%"时，如果这个数字来自 HR，就必须声明。

来源：arXiv 2610.34749 / 2610.35678 / 2610.34513 / 2610.34619

展开四：判得准 ≠ 能用

这周有几个"反向案例"，凑在一起很说明问题。

一个在 450 万患者、4 个医疗系统上训练的时间-事件基础模型（TRACER），在完全排除在外的两家医院、200 多万患者上验证 16 种疾病。它做了一件很对的事：不在全局 AUROC 上比，而是在筛查真正会用的低假阳性率上测。特异度 95% 时，被标记的人一年内被诊断的可能性最高是普通人的 8 倍——听起来很好。

但同一篇文章也说了另一半：即使判别力看起来稳定，检出负担和误报负担在不同疾病、不同系统之间差异很大。全局指标把这层全盖住了。

为什么这件事对我们重要？因为社区筛查的人力是刚性的，误报的成本直接落在家庭医生头上。所以我打算把三条写进团队的方法学规范：除了 AUROC，必须同时报 ①特异度 95% 工作点下每千名被筛者会触发多少次复核；②校准（ECE/Brier）；③按性别、年龄、签约类型的分层性能差。

另外还有一个有意思的中国相关结果：多模态（临床+血液+影像+数字病理）把肺癌免疫治疗生存预测的 AUC 从 0.77 拉到 0.88，但更有政策含义的是人机实验那部分——20 名医师借助 AI 后，识别应答者的灵敏度 AUC 从 0.72 升到 0.87，而"非肺癌专业医师"获益最大。这正好对应分级诊疗里"基层读不准、上级看不过来"的结构性痛点。

来源：arXiv 2610.40536；Nature Medicine（I3LUNG 项目）

本周快讯

• 世界模型开始"自己往下写"：北大团队的患者世界模型 Saga 用 46 万肿瘤患者数据，把生成的事件和时间追加回病史再重新编码，在没有真实中间观测的情况下推进轨迹（8 步事件 F1 0.672，长程 Transformer 0.553）。
• 异步与缺失，是社区数据的真形态：PulmoWorld 把"状态传播"和"观测校正"显式拆开——只有真正测到某个模态才更新判断，再用风险预算约束的规划在被授权动作集里搜索。这和我们"血压每月、血糖每季、血脂每年、影像不定期"的现实高度对口。
• 瑞金医院牵头成立全球医疗健康数字孪生联盟，启动 5000 万人类健康数字孪生计划。宁光院士说，数字孪生最深刻的价值是"在虚拟世界里先把未来走一遍，让本可避免的疾病在现实中不必发生"。
• 一张脸预测癌症生存（《柳叶刀·数字健康》）：4000 万张无标注人脸自监督预训练，3820 例测试组中风险最高的 122 人里超过一半在 90 天内离世。但队列以白人为主、尚不可临床使用——这类"极低成本表型"恰恰最容易放大健康不平等。
• 产业侧：百奥几何完成 1 亿美元 A 轮（分子设计 + 虚拟细胞扰动响应 + 干湿闭环）；扰动之心发布 AlphaCell 1.0 Pro。两家都把叙事中心从"筛靶点"换成了"推演状态"。

本文由健康动力实验室每周追踪整理，方法学细节与分级证据请见团队简报。