人工智能（AI）在医疗领域的研究热度持续攀升，但与传统临床研究不同，基于AI的研究鲜少对样本量进行论证。这一缺失普遍存在于采用机器学习开发（训练）及验证（测试）疾病诊断或预后模型的研究中。

例如，一项针对医学期刊152项机器学习模型研究的综述显示，125项研究未说明样本量依据[1,2]；在62项肿瘤学相关模型中，57项缺乏样本量论证[3]；对606个COVID-19预后模型的评估表明，67%的模型训练或测试的样本量不足[4]。

2015年发布的《个体预后或诊断多因素预测模型报告规范》（TRIPOD）明确要求作者说明样本量依据[5,6]。美国FDA、英国药品与健康产品管理局及加拿大卫生部联合制定的《机器学习良好实践十大原则》中，样本量直接关联其中三项原则，特别强调"临床研究及训练/测试数据集需具有足够样本量，以确保结果可推广至目标人群"。

近期，《Lancet Digita Health》发表了一篇文章，系统阐释了样本量估算为何对AI研究也很重要。

样本量不足的影响与后果

​​数据集无法代表目标人群

即使数据集是从目标人群和环境中随机抽取的，小样本量仍难以保证其全面代表性。例如，某些特征的患者可能被遗漏，从而限制了模型在不同环境和亚组中的适用能力。这种局限性还会加剧少数群体的信息不足的问题，减少针对特定人群定制或验证模型的机会。

即使是表面看起来庞大的数据集，对于某些群体而言，有效样本量可能仍然不足——尤其是当结局事件或特定预测变量罕见时。Thomassen等[18]利用一个包含23,000多名参与者的训练数据集时发现，对于某些由特定预测变量组合定义的个体，有效样本量甚至低于30。小样本量的数据集会进一步放大这一问题。

​​预测变量效应及其重要性的高度不确定性​​

训练集的样本量小会导致所选模型预测变量不稳定，即相同规模的不同训练样本会筛选出不同的预测变量，且同一预测变量对结果的影响也可能发生显著变化。因此，试图对这种不稳定模型进行有意义的解释往往是不太可能的。因为无论是参数估计（如截距项和预测变量效应值）、变量筛选策略（如LASSO算法、递归特征消除法），还是事后解释方法，同样会不稳定并可能产生误导性结论。与回归方法相比，其他基于AI的方法通常默认允许更高的模型复杂度，因而需要更大训练样本量。

​​模型预测的高度不确定性​​

同一人群进行1000次等量样本抽样训练（每次样本量相同），基于这1000个模型对9个个体分别生成1000次预测，结果发现预测值存在显著波动（图1）。当样本量较小时（如本例中n=50或100），个体预测风险值可能在0到1之间任意波动，与其真实风险（基于大样本测算）无关；而当样本量足够大时（如n=5000），预测值的波动范围大幅收窄，结果可靠性显著提升。

图1. 基于不同训练样本量（50、100、385、500、1000和5000）建立的1000个预测模型中，九名真实风险值（大样本测算）介于0.1至0.9的个体风险估计值的波动情况

因此，预测结果不确定性过高的模型不具备可靠性，在此类情况下，若仅采用单一风险点估计值，既可能导致对患者的风险告知失准，也可能引发不当临床决策。例如，当个体预测风险的不确定区间过宽时，如"您未来一年卒中风险可能在1%至99%之间"，此类预测对临床决策毫无指导意义。

预测区分度下降

基于小样本训练的模型在新数据上的预测表现，通常逊色于大样本训练的模型。由于小样本难以有效区分噪声（不可解释的误差或偶然不确定性）与真实信号（预测变量与结局的真实关联）。相比大样本数据，这类模型会存在更大的模型误差（认知不确定性），预测性能也随之降低。图2直观展示了训练样本量缩减对模型性能的影响：通过六种不同建模方法在不同训练样本量下的表现对比可见（均采用大型外部数据验证），当使用小样本而非大样本训练时，模型的C统计量中位数从0.70降至0.65，而R²（解释变异度）则从0.15减半至0.075。

图2. 箱线图通过短水平线（中位数）及散点分布，展示不同建模方法与训练样本量下，所开发模型在大型验证数据集中的预测性能波动情况

 ​​临床效用降低与决策错误风险增加​​

前文所述小训练样本量导致的预测性能缺陷，将直接影响临床实用性并可能造成临床危害。随着C统计量下降，模型在临床决策各风险阈值下的净获益（net benefit）也随之降低。校准不良的模型不仅会减少净获益，更可能导致次优决策，如过度治疗或治疗不足。

训练样本量小会削弱模型的临床实用性：相较于现行临床实践，这类模型既降低决策整体获益，又增加错误临床决策风险，因此不具备临床应用价值。

​​测试与验证性能的高度不确定性

模型在训练数据之外的其他数据集上进行评估时，需要足够大的样本量才能获得精确的性能指标（包括校准度、区分度和临床效用）。然而，现有文献中的许多验证研究，样本量明显不足，导致性能评估结果出现过宽的置信区间甚至不合理的数据，进而对模型可靠性或优越性作出误导性结论。

例如，一项采用XGBoost算法（含48个预测变量）开发COVID-19患者死亡风险预测模型的研究，宣称其模型具有高精度。但该验证数据集仅包含279名受试者（其中仅7例死亡），却报告了C统计量为1（95%置信区间为"1.000-1.000"这一不合理结果），且未评估校准度。另一项研究在验证队列仅59人（19例发生目标事件）的情况下，仍声称模型具有良好的校准能力——尽管校准图中明显存在严重失准问题。

小样本量容易导致夸大性声明（如称模型已通过"验证"），这可能促使临床实践中过早或错误地采用有缺陷的预测模型。