5 分钟产业界常将“预测临床试验成败”视为提升研发效率的捷径：若模型能够提前识别高风险项目，研发资本就能更早止损，受试者也不必暴露于成功概率过低的试验。这个逻辑看似无懈可击，但现实远没有那么简单。
进入临床开发的候选药物，最终约九成无法获批，整体淘汰率仍处于传统研发的高位。AI确实在药物发现、分子设计和早期优化方面展现出效率优势，但目前尚无充分证据表明，它已系统性地提高临床后期试验的成功率。
因此，更尖锐的问题不是模型报出的准确率有多高，而是当预测错误时，错在何处、代价由谁承担，以及我们如何证明其应用真正减少了决策错误，而非仅仅把失败换了一种统计语言重新表述。
1 高AUC不等于真正理解药物为何成功
公开文献中，最常被引用的一类工具是多模态试验结局预测。Insilico Medicine的inClinico融合Transformer、组学信息、文本、试验设计和小分子属性等多类特征。在准前瞻性验证中，该模型对II期向III期转移的预测报告了0.88的ROC AUC；对于部分已经读出结果的II期试验，报告的准确率约为79%。肿瘤领域的可解释模型也报告了较高的区分度。Watanabe等人的研究采用五折双重交叉验证，以II期相关数据预测最终获批的LightGBM模型AUC为0.862，以III期相关数据预测最终获批的PWL模型AUC为0.978。这两个数字均来自回顾性数据集上的交叉验证，而非前瞻性测试结果。该研究另以44项结局已明确的肿瘤试验进行前瞻性验证，其中只有3项最终获批；LightGBM模型在该验证集上的precision为0.750、recall为1.000。由于获批案例仅有3项，这些结果仍需要更多独立数据验证其泛化能力。
这些数字首先回答的是一个统计问题：模型能否对历史数据中“更易成功”和“更易失败”的研发项目做出有效区分？它并未直接触及另一个更为重要的问题：模型是否真正理解了药物在人体中产生疗效的生物学原因？
要回答后一个问题，我们首先必须厘清，模型所定义、所预测的“成功”，其本质究竟指向什么。
Wong等人基于超过40万条临床试验记录的研究显示，疾病领域差异巨大，肿瘤领域的整体成功率可低至约3.4%，而II期历来都是药物开发的重要淘汰关口。
与此同时，“失败”并不是一个单一、清晰的标签。药物因缺乏疗效而终止研发，与因安全性问题、商业策略调整、资金链断裂或行业竞争格局变动而终止，具有完全不同的含义。如果模型将这些结局混为一谈，其学习过程就会同时纳入药物的生物学特征、申办方的资源实力、试验执行能力乃至企业的战略选择。
Watanabe等人开展的肿瘤药物获批预测研究便是一个典型例证。其SHAP分析结果显示，对预测贡献度较高的特征包括：实际入组人数与目标入组人数的比值、试验整体入组规模、试验持续时长、申办方过往获批的肿瘤产品数量，以及试验是否针对二线治疗场景等。相比之下，机制、成药性、安全性和组学特征并未进入主模型；既往终点数据也因缺失率较高而贡献有限。
因此，评价临床结局预测不能止步于AUC或准确率，而必须进一步追问两类错误：
• 假阳性：模型预测项目将走向成功，最终项目却以失败告终，导致资本、研发时间与受试者资源被投入错误的技术路径。
• 假阴性：模型判定项目将走向失败，实际上该项目却具备成功潜力，最终因提前终止而错失推进机会，对应的潜在治疗价值也随之流失。
这两类错误对应的实际成本并不对称，且二者的影响都无法仅靠一个统计指标来衡量。
2 模型为什么会错：四类案例揭示的转化鸿沟
一、把“像成功项目”误判为“药物会有效”
第一类典型失误，是将“具备高可执行性、易获得融资、外观特征高度贴近过往成功项目”的试验，误判为“在生物学层面必然会产生预期疗效”。Watanabe等人的前瞻性测试中，LightGBM模型唯一的假阳性案例是gevokizumab相关试验NCT05178576。模型依据申办方产品线、次要终点数量、试验线次等特征给出了项目可推进的正向信号，而该试验在数据库中的记录实际终止原因仅为企业开发策略调整；当关键入组比例等特征存在数据缺失时，模型会更倾向于直接匹配历史上的成功项目模板完成判断。
这不是单纯的算法bug，而是标签污染+代理特征主导：商业决策与战略调整导致的停药被标记为失败，申办方的资源禀赋与行业经验被默认为成功的关联特征，最终模型学到的是组织行为与试验运营画像，而非药效因果。这种对历史成功模板的依赖还可能进一步加重。如果模型更重视大型申办方的研发履历、充足的入组资源与成熟的试验执行能力，那么缺乏历史记录的小型公司、新靶点项目或创新疗法，就可能因为“不像过去的成功者”而被低估。
历史上更容易成功的项目，不等于科学上更值得推进的项目。
二、 机制假设看似合理，临床疗效却没有兑现
第二类典型失误，是靶点或机制假设在真实患者人群中无法成立，安全过关却疗效落空。BenevolentAI旗下的BEN-2293，是依托其知识图谱与AI平台开发的局部pan-Trk抑制剂，核心研发假设是该分子可同时抑制瘙痒与炎症。
然而，其IIa期临床试验共纳入91例受试者、干预周期为28天，最终顺利达到安全性相关的主要终点，但EASI湿疹面积与严重程度指数、瘙痒数字评分量表（NRS）等疗效类次要终点，均未表现出优于安慰剂的统计学差异；该公司后续在年报中确认，将基于这一试验结果停止对该项目的追加投入，同步伴随企业层面的大规模业务重组。
事后的亚组分析提示，体表面积更大的受试者群体中或存在潜在疗效信号，这恰恰说明早期研发假设并未充分刻画患者人群异质性与适应症的清晰边界。Fierce Biotech的相关报道也明确指出，TrkA通路的研发探索并非无人涉足，Creabilis等企业早已完成过相近方向的临床尝试。换言之，这不是一个完全缺乏历史线索的机制假设，却仍未在这一试验中兑现预期疗效。
这一案例带来的教训，对当下“虚拟临床试验”的相关讨论尤为尖锐：文献、知识图谱和历史试验数据可以帮助模型建立生物学关联，却不能仅凭关联就确定真实的临床效应量。一个机制叙事完整的项目，仍可能因为效应不足、患者选择不当、给药方案不合适或终点不敏感而失败。BEN-2293的失败本质上发生在疗效验证环节，和“该候选分子是否由AI设计生成”这一属性几乎完全正交。
如果预测系统主要学习文献共现、既往试验设计与历史开发记录，就必须证明它不仅能够识别机制关联，还能在多大程度上判断这些关联能否转化为患者获益。
三、加速分子设计，不等于跨越临床转化
加速发现不等于读懂临床转化；计算层面的乐观预判，时常与人体试验的真实结果脱节。Exscientia与住友共同开发的DSP-1181，常被业内视作“AI设计药物进入人体临床试验”的标志性里程碑，其早期探索性研发阶段被压缩至约1年，却在I期后因未达评价标准而宣告终止研发；此后，其管线中A2A靶点等项目，也因治疗窗狭窄、外部竞争格局等原因推进节奏出现明显收缩。
这类案例不意味着AI药物设计没有价值，而是说明不同研发阶段的技术能力不能直接画等号。现有行业叙事与公开发表的综述文献，已逐步收敛至同一共识判断：AI技术在药物研发早期的安全性、成药性相关筛选环节表现突出，但II/III期以疗效验证为核心的项目失败率，至今并未被证实出现了系统性下降。现有训练数据所编码的核心信息，大多是“分子是否能与靶点结合、是否具备可合成优化的空间”，却极少覆盖“该靶点是否就是对应疾病的可干预因果节点”这一核心科学问题。
当药物研发的失败案例在公开科学文献中被系统性低报，而模型又主要依托“已公开的成功项目数据”完成训练时，其对各类真实失败模式的认识就可能天然不充分，这是底层数据结构带来的固有局限，绝非行业宣传话术能够填补。
四、把试验效率工具误当成成败预言机
将“临床试验效率优化工具”错当成“研发成败的绝对预言机”，是当前行业内普遍存在的认知偏差。数字孪生和虚拟对照也经常被纳入“虚拟临床试验”的叙事，但它们的主要目标与临床结局预测并不相同。
以Unlearn的PROCOVA为例，这类方法旨在提升统计检验效能，或是在严格控制I类错误的前提下优化对照组信息利用效率，监管层面的相关指引也始终强调需重点关注潜在偏倚、未知混杂因素与具体的应用场景边界，从未认可这类技术具备为某一新药的获批概率直接背书的能力。
如果把“更高效地利用对照信息”直接宣传为“能够预测并减少临床失败”，就混淆了分析工具、试验设计工具与研发决策模型的不同作用。效率工具降低的只是试验过程中的随机噪声、优化了所需样本量，并不会自动提升靶点选择的正确率，也无法直接强化试验终点的临床实际意义。
横向梳理前述所有案例，这类认知偏差背后的失误机制可归纳为三条清晰的逻辑链条，它们共同构成了从历史相关性走向前瞻性决策的鸿沟：
模型层面的误判：这类模型的非线性拟合能力极强，但具备高解释度的核心特征往往集中在入组完成率、试验工期、申办方行业履历等易观测的代理变量上，对药物作用机制、组织病理特征与患者亚型分层的因果性理解十分薄弱。
底层数据的局限：公开临床试验数据库普遍存在终点数据缺失、失败原因标注粗糙、多组学信息与真实世界人群异质性难以对齐的问题；而研发领域固有的成功发表偏倚，进一步导致模型无法完整学习到“药物为何无效”的全量失败模式。
对药物作用与患者个体差异的理解不足：文献共现网络可以推导出Trk通路与瘙痒、炎症之间的关联，却无法推演28天局部给药方案在轻中度特应性皮炎全人群中能实现的实际效应量；依托AI快速设计出的5-HT1A激动剂，同样无法自然跨越I期临床试验的综合评价门槛。如果虚拟临床试验技术不能对疾病异质性、安慰剂效应、合并用药影响与试验终点的临床可转化性完成显式建模，本质上就只是把历史数据中沉淀的相关性结构，直接投影到了未来的新项目上。
3 错误预测的代价：不只是多花钱，也可能少掉一次治愈机会
假阳性错误（模型预判项目将走向成功，最终却以研发失败告终）的代价最为直观：III期临床试验动辄需要数年时间、数亿美元量级的沉没投入，不仅会让受试者暴露于无效甚至存在潜在危害的干预中，也会让研发组织在错误的叙事方向上持续追加资源。II期本就是整个研发管线中项目淘汰率最高的关键节点，任何缺乏机制层面与亚组分析层面证伪校验的“高分放行”决策，都会进一步放大本就居高不下的错误坚持成本。BEN-2293读出结果后企业层面的管线止损与人员收缩已经证实，一次中期疗效端的核心失败，足以让整个AI药物研发平台的价值逻辑被重新评估，其影响远不止单一候选资产的损失。
假阴性错误（模型判定项目将走向失败，实际上该项目本具备成功潜力）的代价则更为隐蔽，且往往具备不可逆属性。当一个项目被降低优先级甚至提前终止后，几乎不存在平行的对照场景，能够告诉我们“如果继续推进最终会得到什么结果”。当模型的特征权重向“大型申办方、大规模入组、较长试验周期、申办方既往多款已上市产品”这类指标倾斜时，从结构层面就更容易误杀创新模态、全新靶点、申办方行业经验较少但生物学机制更清晰的优质项目。对患者群体而言，这意味着可及的治疗选择集合出现永久性收缩；对整个产业而言，相当于大量创新期权被统计评分提前行权作废。更值得警惕的是这类错误的自我证实效应：被低分否决的项目永远不会产出最终的临床结果数据，模型也就始终无法获得对应的反例来修正偏差，这类错误会以完全静默的方式沉淀进下一版训练集中。
除此之外还存在第三类隐性代价：研发治理与问责机制的错位。AI 药物开发涉及计算建模、药效学、临床运营、生物统计和临床医学等多个专业。在DSP-1181这类分属不同主体完成分子设计与临床决策的案例中，研发成败的归因本就容易出现权责撕裂；如果再叠加黑盒模型输出的单一评分结果，研发组织很可能直接用“模型支持”作为决策依据，替代原本的跨学科否决机制——本该在药效学、生物标志物、统计学与临床终点领域开展公开辩论的核心问题，最终被简化为一个孤立的概率数值。如果预测模型无法接受独立审计，最终减少的未必是研发失败的数量，反而会压缩对失败成因的公开讨论空间。
4 如何证明AI真正减少了决策错误？
如果前文的核心主旨成立——即AI药物研发模型必须首先证明“自身出错的原因、错误对应的实际代价，以及引入模型后整体研发错误率是否真的下降”——那么行业的评价框架就应当从侧重营销属性的技术指标，全面转向以决策科学为核心的评估体系。
独立验证先于商业准确率。 开发方内部的回顾、准前瞻与小样本已读出集是必要起点，但不足以支撑组合决策。行业需要建立预注册式的外部验证机制：按适应症分层、按时间切分（严格禁止用未来信息）、分开报告校准度（预计成功率vs实际频率）、区分疗效失败/安全失败/战略停药三类不同结局。此前肿瘤预测模型的作者已经示范了何为“可公开讨论的错误”：他们明确指出gevokizumab的误判本质是企业策略变更导致的标签偏差，同时主动承认模型存在关键特征缺失、非结构化信息覆盖不足的缺口。这种对错误的深度解剖，远比再高一个点的AUC更有决策价值。
所有预测行为必须满足可登记、可时间戳溯源、可复核的基本要求。inClinico将模型预测结果提前发布在带时间戳的预印本平台，后续再与临床试验的最终读出结果做对照的做法，已经指向了正确的方向。如果行业要真正严肃对待这一问题，应当进一步建立类似“临床试验预测登记处”的公共机制：在试验核心数据仍处于盲态的阶段，就提前锁定模型版本、输入特征的哈希值、决策阈值以及对应的预定动作（推进/观望/终止），待试验结果读出后，自动生成混淆矩阵与加权损失的统计结果。如果没有预登记机制，任何接近79%的准确率数字，都完全可以通过事后筛选“哪些试验被纳入统计”的方式人为调整。
最终需要用真实研发结果评估的是决策质量，而非模型层面的自我满足。评估体系的最小必要指标应当包含四项：
-
引入模型前后，II期到III期、III期到最终获批的真实项目转移率是否得到改善，且结果必须经过疾病组合差异与时间趋势的校正；
-
每获得一个最终获批的新药，对应的累计研发总投入与受试者总暴露量是否出现下降；
-
那些被模型给出低分否决、却仍被团队强行推进的项目，其最终临床结果是否系统性地优于或劣于模型的预判；
-
被模型给出高分推荐推进却最终失败的项目，是否强制完成了机制层面的事后分析，覆盖靶点选择、人群分层、终点设计、给药暴露等全维度环节。
针对数字孪生类技术工具，则应当建立独立的评价标准：仅评估其在严格控制I类错误的前提下，是否真正提升了统计检验效能，绝不能混入“直接预测获批概率”的宣传话术。
错误分析应当成为AI药物研发产品的一级输出项。当前全球监管层面与方法学领域的讨论已强调：可信的医药AI技术，高度依赖清晰的应用场景边界、完备的验证计划与配套的风险控制机制，绝非依靠单次基准测试就能完成全部验证。针对管线决策类模型，每次预测失误都必须至少回答：是标签错误、特征缺失、分布漂移（新模态/新终点），还是机制与异质性未被表征？Watanabe等人也指出，未来的模型需要纳入理化性质、临床前数据、安全性特征、作用机制与多组学信息完成多模态训练，同时坦诚当前的特征工程工作仍远未完善。这一表述本质上等于承认，当下所有拿到高准确率的模型，仍只是“研发管线形貌识别器”，距离真正意义上的“虚拟临床试验”还有极远的距离。
最后，行业应当把“AI模型减少研发错误”这一表述，转化为可证伪的具体研究假说。例如：在预先登记的资产集上，模型辅助门控使加权决策损失（假阳性成本×次数 + 假阴性成本×次数）低于仅由人类专家委员会做出决策的对照组，且效应在24个月内可复现。若假说无法被独立团队用同一登记数据检验，则所谓减少失败仍属叙事。治理领域的相关研究早已提示：研发失败往往不是因为没有数据，而是信号没有被有效整合、认知没有及时迭代、决策过程过度依赖少数个体的经验。预测工具的真正价值，应当是让全团队都能平等地获得完整的质询清单，而不是制造出另一个无法被审计的黑盒权威。
5 结论：从失败预言，走向可验证的决策支持
AI能够预测研发失败，并不自动等同于能够系统性减少研发失败。现有可核实的公开证据表明，临床结局预测模型可以捕捉到历史项目推进与最终获批过程中沉淀的统计规律，部分场景下甚至能达到可观的区分度；但同一批证据也同时显示，这类模型的核心特征往往偏离药物研发的生物学因果逻辑，结局标签混杂了大量企业战略层面的停药事件，前瞻性验证集中的阳性事件样本十分稀缺，而依托AI辅助发现的候选分子，仍会在I期、II期临床试验阶段因转化障碍与疗效未达终点的问题终止开发，目前并没有坚实的证据能够证明，药物研发整体的临床阶段淘汰率已经被这类技术改写。
真正的技术进步判定标准应当包含四个维度：完成预注册的预测行为、公开透明的错误深度解剖、按实际损失权重完成的决策审计，以及最终验证“引入模型之后，假阴性错杀与假阳性错放的两类错误是否同步减少”。在这些条件全部满足之前，对虚拟临床试验更严谨的定位应当是决策支持工具与风险显性化工具，而非研发失败的预言类替代方案。对于具体的药物研发与投资决策，本文内容仅作为专业层面的参考，任何具体项目的评估仍应回归原始临床试验数据、官方监管文件与完整的多学科专家论证，而非单一模型输出的概率分数。
