MIT 和丹娜法伯癌症研究院团队借助大模型完成了近 4000 篇临床预测模型论文的代码共享调查,最终统计只有 12.2% 的研究对外公开代码,就算代码放出来,绝大多数也缺少配套文档、依赖版本说明,很难直接复现实验结果。临床预测模型会用来评估患者患病风险、辅助临床判断,代码是验证模型可靠性的核心依据,人工一篇篇筛查文献和代码仓库工作量巨大,所以团队选择用 AI 流水线自动处理,先从论文文本里抓取代码公开相关描述、提取仓库链接,再批量对仓库做标准化打分,解决人工审查效率跟不上文献产出速度的痛点。
一、AI 调查执行步骤
- 筛选文献池:挑选引用 TRIPOD、TRIPOD+AI 规范的临床预测模型论文,一共纳入 3967 篇;
- LLM 自动提取:大语言模型识别文章里关于代码开放、仓库地址、补充材料的描述,标记是否声明共享代码;
- 访问代码仓库:顺着抓取到的链接核验上百个代码仓库,按照 14 项指标评估可复现能力;
- 统计对比分析:按年份、是否引用 AI 专项报告规范、期刊、地区分组,对比代码共享比例差异;
- 输出调研结论,用来支撑全新 TRIPOD-Code 代码共享报告规范的制定。
二、核心调研数据
| 项目 | 数据详情 |
|---|---|
| 总调研论文数量 | 3967 篇 |
| 声明共享代码占比 | 12.2%(482 篇) |
| 引用 TRIPOD+AI 的论文代码共享率 | 29.2% |
| 普通 TRIPOD 论文代码共享率 | 11.4% |
| 标注软件依赖的共享代码 | 37.6% |
| 锁定版本号的共享代码 | 21.6% |
| 代码共享趋势 | 逐年小幅上涨,2025 年达到 15.8% |
三、现存两大核心问题
- 共享意愿低:大部分医学预测模型研究选择不公开代码,外界没办法独立验算模型结果;
- 共享质量差:只上传代码文件远远不够,缺少环境配置、运行步骤、版本锁定说明,公开代码不等于可复现。
四、研究价值
这次 AI 辅助调查证明,用大模型批量筛查医学文献代码信息是可行方案,大幅降低大规模透明性核查成本。同时调研结果直接用来完善 TRIPOD-Code,给医学 AI 研究定下代码公开最低标准,方便期刊、资助方后续统一要求,提升临床 AI 模型的可信度,降低临床落地风险。
【相关 FAQ】
问题 1:AI 辅助调查医学研究代码共享情况,为什么不全部人工审核?
回答 1:医学预测模型论文产出量大,近 4000 篇文献加上配套上百个代码仓库,人工逐条阅读核验耗时极长,AI 辅助流水线可以自动识别文本、抓取链接、批量评估仓库,大幅提速,适合这种大规模医学研究代码共享筛查工作。
问题 2:医学研究代码共享率低,会带来哪些实际影响?
回答 2:医学研究代码共享不足,其他研究者没法独立复现、验证模型效果,医生、监管机构很难判断临床预测模型是不是稳定可靠,会阻碍医学 AI 模型在真实医院场景落地。
问题 3:TRIPOD+AI 和普通 TRIPOD,对医学研究代码共享有什么差别?
回答 3:TRIPOD+AI 是面向 AI 临床预测模型的专项报告规范,在本次 AI 辅助调查医学研究代码共享数据里,引用它的论文代码共享率接近三成,远高于只引用传统 TRIPOD 规范的论文,更强调代码透明开放。
【参考资料】
[2026-11-19](AI helps researchers investigate how thousands of medical studies share code)MIT News
[2026-10-09](AI-assisted scoping review of code sharing in clinical prediction model research)Dana-Farber Cancer Institute
[2026-10-09](Code Sharing in Clinical Prediction Models Remains Limited)scienceofficial.org
【免责声明】
本文信息仅基于公开科研报道整理,仅作行业科普参考,不构成科研发表、临床模型上线、期刊投稿的指导意见;相关医学研究代码共享规范、统计数据以 Nature Medicine 原文和官方发布版本为准。
