斯坦福开源 Glyph：从基础模型中挖掘临床概念，加速医学发现
这款基于稀疏自编码器的开源工具在 CT 影像、放射学报告和化验数据中找到 397 个具有预测价值的概念
斯坦福大学的研究人员发布了开源框架 Glyph。它利用稀疏自编码器，从医学基础模型的内部表征中提取可解释的临床概念，再用统计方法检验这些概念与患者结局之间的关联。在来自多家机构、共 41628 名患者的多模态数据上，该系统找出了 397 个具有预测价值的概念，共计 4463 项经 Bonferroni 校正后仍显著的结局关联，其中包括胰腺癌相关信号，其预测能力明显优于常规临床风险标志物。
这篇论文于 2026 年 11 月 6 日提交至 arXiv。论文对 Glyph 的定位并不是解释床旁临床 AI 决策的工具，而是加速医学发现的引擎——在基础模型内部寻找可能对应尚未被描述的疾病机制、或被低估的临床生物标志物的模式。
基础模型编码的内容，超出了它们被训练去预测的范围
在 CT 影像、放射学报告和化验数值上训练的大型基础模型（FM），可能隐含地编码了超出其显式训练目标的临床知识。要预测患者是否患有某种疾病，模型必须以反映有临床意义结构的方式组织其内部表征——但这种结构埋藏在稠密的高维嵌入空间里，常规的可解释性工具无从触及。
SHAP 和 LIME 等事后归因方法作用于输入变量层面——一个化验数值、一块图像区域、报告中的一个词。斯坦福医学与影像人工智能中心（AIMI）的 Glyph 团队尝试的则在结构上完全不同：在基础模型的嵌入进入任何下游预测任务之前，就逆向还原其中的语义内容。
稀疏自编码器把多义嵌入转化为带标签的临床概念
Glyph 的流程分为三个阶段。首先，它把多模态临床数据——腹部 CT 影像、放射学报告和化验数值——输入参数冻结的基础模型，得到嵌入。这些嵌入通常是多义的：每个向量维度同时编码多个相互重叠的概念，因此无法直接解读。
接着，Glyph 在这些嵌入上训练稀疏自编码器（SAE）。SAE 学习用一个大得多、但激活稀疏的字典来重建原始嵌入。强制稀疏的架构约束会把学到的特征推向单义性——每个字典元素倾向于针对一个连贯、具体的概念激活，而不是多种无关模式的混合。在机制可解释性研究中，SAE 是还原语言模型内部特征的主流工具；Glyph 把这套框架扩展到临床规模的医学基础模型上。团队报告称，所得概念空间的质量直接取决于 SAE 的架构——他们在 141 个疾病预测任务上做了消融实验——这说明 SAE 的设计是一个关键的工程变量。
随后，一个大语言模型会查看最强烈激活每个稀疏特征的临床病例，自动为该特征生成自然语言的概念描述作为标签。这些带标签的概念再用经 Bonferroni 校正的统计方法检验与结局的关联，并控制已知的临床协变量，以分离出每个概念的增量预测价值。
超出现有文献的信号，包括一个胰腺癌预测因子
在 41628 名患者中，Glyph 找出了 397 个具有预测价值的概念和 4463 项显著关联，其中大多数在留出的站点上可以复现。团队表示，Glyph 概念提供了文献来源的临床标志物所未能涵盖的互补预测价值，两者结合可以带来可量化的预测准确率提升。
同一斯坦福 AIMI 团队此前的工作已经预示了这种互补性的规模。在胰腺癌上，一条前代流程找到了一个由 Glyph 方法得出的概念，其比值比为 3.46（95% 置信区间 2.52–4.77），而年龄为 1.29，吸烟状况为 1.46。如果完整的 Glyph 结果能在多个疾病目标上延续这一模式，对发现早期诊断信号的意义将相当重大。
不断扩展的领域中的竞争路线
在ICML 2026上，另一个团队把 SAE 应用于一个在 MIMIC-IV 电子病历上训练的 Transformer，发现该模型学到了一套在结构上不同于 ICD 编码体系的临床本体——这表明基础模型的嵌入捕捉到了现有分类体系遗漏的疾病模式。
ConceptCLIP则通过训练而非事后分解来实现可解释性：它把源自 UMLS 的临床概念嵌入到一个视觉语言模型中，该模型在 2300 万组图像-文本-概念三元组上完成预训练。这两种做法体现了一个根本性的架构分歧：Glyph 挖掘的是参数冻结的基础模型的表征，ConceptCLIP 则从训练一开始就把可解释性内置进去。
监管压力也在朝同一方向推动
美国FDA 2026 年 1 月对其临床决策支持指南的更新把可解释性作为判定 AI 软件在其器械框架下如何分类的核心标准。工具的输出越难由临床医生独立审查，FDA 就越可能把它当作受监管的医疗器械。根据一项对 FDA 器械审批的纵向分析，在已获批的 AI 与机器学习医疗器械中，约 76% 集中在放射学领域——Glyph 正是在这一领域开发的。
验证还需要确认什么
Glyph 论文目前还是预印本。尚无独立团队用另一套数据集或代码复现 397 个概念和 4463 项关联的结果。控制混杂因素的具体方法和完整的基准对比，需要等经过同行评审的全文发表后才能评估。代码已在GitHub 的 StanfordMIMI/Glyph 仓库公开，独立复现是可行的。
机制可解释性工具最初是为逆向分析语言模型的安全属性而开发的，它能否成为一种可靠的临床生物标志物发现工具，取决于 Glyph 概念能否在针对训练时不可得结局的前瞻性验证中站得住脚。斯坦福团队在多机构间的可复现性结果，为这项检验的开展奠定了可信的基础。