Saga 是一個多模態“患者世界模型”，由北京大學研究者 Youcheng Li 等五位作者提出，論文於 2026 年 10 月 19 日提交至 arXiv，歸類為計算機視覺與模式識別（cs.CV），全文共 22 頁、含 6 幅圖和 4 張表。其核心想法是把單個患者的疾病程序模擬組織成一個可學習的共享狀態：模型從患者歷史中提取一個統一的患者狀態表示，並以此同時預測未來的臨床事件、事件發生時間以及多模態影像。與只做單一預測任務的模型不同，Saga 生成的未來事件和時間會被追加回患者歷史中，重新編碼後再用於推進下一步預測，從而在不依賴真實中間觀測的情況下，讓疾病軌跡一步步向前滾動。
論文把這一設定稱為“in silico ontology”（計算機模擬的本體），即將患者層面的疾病演化表述為一個多模態預測任務，並且可以用真實隨訪資料來檢驗。研究規模較大：共納入 461,370 名患者，覆蓋 12 種癌症型別和 112 箇中心。評估設計強調模態配對的隨訪對照，即把模型生成的未來影像與真實觀察到的隨訪影像進行比對，而不是僅依賴抽象指標。
消融實驗給出了對“共享患者狀態”價值的直接證據。在歷史影像保持不變的前提下，去掉患者條件資訊後，事件預測的 F1 從 0.716 下降到 0.591，病灶負荷誤差從 11.8% 上升到 21.3%，說明模型確實在利用個體化的歷史狀態來約束未來預測，而非僅靠通用模式。
在自由滾動（free rollout）場景中，Saga 連續推進八步後的事件 F1 為 0.672，而同樣起始點的縱向 Transformer 基線為 0.553；同時，時間預測誤差比基線低 8.7 天。這說明事件驅動的軌跡推進方式在長程外推中仍能保持比較優勢。內部測試集上，一年進展預測的 AUROC 為 0.882；在時間外推和地理外推兩種外部評估中，該指標分別為 0.871 和 0.856，表明效能在跨時間和跨機構條件下有所下降但仍保持穩健。
作者總結認為，共享患者狀態能夠把不同觀測尺度上的未來表型連線起來，並以事件驅動的方式推進軌跡，在滾動預測和外部臨床評估中維持了可比較的預測優勢。Saga 的意義在於把患者級疾病模擬轉變為一個可測試的多模態預測問題：模型輸出的未來事件、時間與影像都可以直接與真實隨訪對照。需要指出的是，論文目前報告的是回顧性資料集上的評估結果，外部驗證雖包含時間與地理兩個維度，但仍需前瞻性臨床研究來確認其在真實診療流程中的效用。