实验室技术员用移液器把样本滴到显微镜载玻片上。富集设计的第一步，就是靠实验室检测把患者分为生物标志物阳性组与阴性组。图：nenadstojkovicart，来源 Flickr，许可 CC BY 2.0。
2026 年 9 月 30 日，三位研究者在 arXiv 发布预印本 BOP2-ENR，把生物标志物适应性富集和亚组层面的族错误率控制加进贝叶斯最优 II 期设计 BOP2。论文证明，错误宣称“全人群获益”的概率不超过阴性亚组闯过无效性监测的概率；只按全局零假设校准的设计，强控制误差可超标近五倍。
同质人群前提与强控制缺口
BOP2 由 MD Anderson 癌症中心的 Zhou、Lee 和 Yuan 于 2017 年发表在《Statistics in Medicine》，是单臂 II 期肿瘤试验常用的贝叶斯框架：结局用多项分布加 Dirichlet 先验建模，每次中期分析按后验概率决定继续还是停止，阈值随已入组的信息比例变化，并在显式控制 I 类错误的前提下最大化功效。同一套框架可以处理二分类、嵌套、共同主要终点以及疗效与毒性联合监测。它的前提是把受试人群看作同质的一群人，只下一个结论。
精准肿瘤学里这个前提常常不成立。假设某个分子改变把患者分成生物标志物阳性（PG）和阴性（NG）两组，疗效预期集中在阳性组：直接合并会稀释真实效应，一开始只招阳性患者又放弃了“全人群获益”的可能。适应性富集设计让中期数据决定往哪走，但 Simon 两阶段传统下的同类设计（包括作者用作主要对照的 BOOST）只支持二分类终点和一次中期分析。更隐蔽的问题在误差控制的口径：弱控制只要求两组都无效时少犯错；强控制还要求在“阴性组无效、阳性组有效”的混合情形下守住误差。后者恰是富集试验最可能遇到的情况。就像几个尖子生能把全班平均分拉过及格线，阳性组的强效应也能把合并检验推过阈值，让试验错误宣称阴性患者同样获益。
三条中期路线与阴性组闸门
BOP2-ENR 把两组患者分开监测、同步入组。每次中期分析走三条路线之一：阳性组触发无效性标准，整个试验停止；阴性组触发无效性而阳性组仍在继续，就冻结阴性组入组、只扩充阳性组，最终只能下阳性组结论；其余情况两组都入满，最终做合并分析，合并失败时退回阳性组结论。阴性组永远不会被单独宣称有效，只能经由合并分析与阳性组一起得出“联合结论”。所有停止与宣称规则都能在试验开始前换算成整数边界表，直接写进方案。
BOP2-ENR 每次中期分析的三条路线：阴性组只有闯过无效性闸门、走上“两组入满”这条路，试验才可能得出联合结论。据 Takeda 等（2026）第 2.3 节整理。AI 生成示意图。
论文的核心结果并不复杂：在阴性组无效、阳性组有效的混合情形下，错误联合结论的概率不超过阴性组在零假设下闯过全部中期无效性检查的概率 P(S)。原因是联合结论只会出现在“两组都入满”这条路上，而走上这条路的前提就是阴性组每次都没被拦下。这个上界只涉及阴性组自身，可以精确计算，与最终疗效阈值、阳性组参数都无关。换句话说，靠收紧最终阈值修复不了强控制，真正的阀门是阴性组的无效性闸门。同一道闸门还给联合结论的功效设了天花板：两组都真有效时，联合结论的功效不超过阴性组在备择假设下闯过闸门的概率。
据此，作者把原本需要同时搜索约五个参数的校准拆成三步：先选阴性组闸门，使 P(S) 不超过 α（精确计算，无需模拟）；再调阳性组闸门，在期望样本量与功效之间权衡；最后用蒙特卡洛把全局零假设下的错误率校准到 0.9α 以内。论文给了一个虚构但具体的例子：某靶向药单臂 II 期试验，历史客观缓解率约 20%，目标是阴性组 40%、阳性组 50%，计划入组阴性 40 例、阳性 20 例，安排三次中期分析。方案规则包括：首次中期时阴性组前 10 例中缓解不超过 2 例即冻结该组；阳性组结论需要 20 例中至少 8 例缓解；全人群结论需要 60 例中至少 18 例缓解。此时错误联合结论的精确上界是 0.045，联合结论的功效上限则只有 0.72，若申办方的首要目标是全人群结论，就需要更大的阴性组。
与 BOOST 及消融版本的模拟比较
论文的证据全部来自模拟，没有使用患者数据。作者沿用 BOOST 论文的 8 个缓解率场景（4 个两组零假设阈值相同、4 个不同），在二分类、共同主要终点、疗效—毒性联合三类终点下各模拟 10⁵ 次，单侧名义水平 α = 0.05。对照包括已发表的 BOOST 弱控制与强控制两个版本、不区分标志物的原始 BOP2（文中记为 BOP2-P），以及关掉富集路线的消融版本。
最能说明问题的是“剖面”检查：把阳性组疗效从零假设一路调到极端有效，观察混合情形下的错误率。已发表的 BOOST 弱控制设计在场景 S2 中，错误率从 0.0413 单调上升，到 0.2262 后不再变化；只在设计备择点评估（0.1483）会低估约三分之一。这个平台值恰好等于阴性组第一阶段 5 例中至少 1 例缓解的概率，即 P(Bin(5, 0.05) ≥ 1) = 0.2262，与上界定理吻合。BOP2-ENR 自身也有同样的现象：两组沿用相同的常规无效性参数时，弱控制达标，强控制误差却是 0.239；改用分组专属参数后降到 0.046。在场景 S3 中把阴性组阈值从 0.60 依次提高到 0.80、0.90、0.95，上界从 0.239 降到 0.104、0.079、0.045。
二分类场景 S3 中（γ− = 0.35），阴性组无效性阈值越高，错误联合结论的上界越低，阈值到 0.95 时才降到 α = 0.05 以下。数据来自 Takeda 等（2026）第 3.3 节。AI 生成示意图。
二分类终点下，BOP2-ENR 在全部 8 个场景守住了强控制（精确上界 0.024–0.046）；仅阳性组有效时的功效有 4 个场景达到 0.80、7 个场景不低于 0.75，“至少一个结论”的功效在 7 个场景高于 BOOST 弱控制版，而后者的混合情形错误率为 0.024–0.226。不区分标志物的 BOP2-P 对自己的单一结论控制良好（0.025–0.039），但若把它的阳性结果解读为两组都获益，混合情形下这一错误几乎必然发生（0.988–1.000）；关掉富集路线的消融版本同样升到 1.000。代价也写得很清楚：与已发表的 BOOST 弱控制设计相比，BOP2-ENR 在 6 个场景需要更大的零假设下期望样本量，平均多 7.9 例；与按相同精确约束局部重新优化的 BOOST 相比，则在 7 个场景中的 5 个更省样本。两组都有效时的联合功效只有 0.43–0.69。疗效—毒性联合终点的功效明显更低（仅阳性组有效时 0.51–0.81），作者将其归因于每个要下结论的亚组都须单独证明安全性，按文中设定约需 40 例。
强控制的前提与适用边界
强控制只在预先限定的参数空间内成立：作者假设“阴性组有效则阳性组必然有效”，并假设阳性组疗效不低于阴性组。在两组零假设阈值不同的场景中，被排除的反方向（只有阴性组有效）会产生 0.070–0.161 的阳性组错误结论率，因此作者把用外部证据检验这两条前提列为采用该设计的先决条件。此外，合并分析采用固定权重，亚组之间不做自适应借用；共同主要终点和疗效—毒性终点按两个结局相互独立来校准，敏感性分析（比值比 0.25–4）中错误率点估计仍不超过 0.05，但功效最多变化 0.10，且有一个校正后置信上限略超 0.05。样本量取接近已发表设计的整数而非逐终点优化，校准网格较粗；疗效—毒性终点下上界能否取到只有数值观察，没有解析证明。
适用范围上，这是单臂、两亚组、离散终点的 II 期设计；时间到事件终点、因有效提前停止、随机对照版本都只在讨论中提到可以推广，尚未实现。论文目前是 arXiv 第 1 版预印本，未经同行评审；作者称分析代码（base R）已随投稿提交，R 包 bop2enr 与 GitHub 仓库将在论文被接收后公开，在此之前不宜把它当作可直接安装的工具。作者还声明使用了生成式 AI 辅助语言编辑和代码审阅。对试验统计师而言，最直接的启示与软件无关：做富集设计时，把阴性组无效性边界当作误差控制参数单独调整，并把精确上界与剖面诊断并列报告。