1809年，美國(guó)肯塔基州的伊弗雷姆·麥克道爾（Ephraim McDowell）在沒(méi)有用麻醉的情況下切除了一個(gè)22磅的卵巢腫瘤，該患者此后成功生活了30年，這是針對(duì)癌癥的首例手術(shù)。

　　216年過(guò)去了，在醫(yī)療高度發(fā)達(dá)的今天，全球依然有大約五分之一的人會(huì)得癌癥，而且有九分之一的男性和十二PG電子通信分之一的女性會(huì)死于癌癥。其中，肺癌是第一殺手，每年死亡病例占所有癌癥死亡病例的19%。

　　AI的出現(xiàn)，或許讓事情出現(xiàn)了轉(zhuǎn)機(jī)，今年年初，寧波人民醫(yī)院聯(lián)合阿里部署了DAMO PANDA胰腺癌篩查AI模型，從7萬(wàn)份常規(guī)檢查的人中發(fā)現(xiàn)了12例胰腺癌患者，其中6例常規(guī)平掃CT檢查未提示有胰腺病變。

　　也就是說(shuō)，AI能讓夠更早，更準(zhǔn)確的發(fā)現(xiàn)并預(yù)測(cè)癌變的發(fā)生，這也是目前AI醫(yī)療的的一個(gè)主流發(fā)展方向，更早的發(fā)現(xiàn)，更準(zhǔn)確的預(yù)測(cè)。

　　最近一項(xiàng)來(lái)自美國(guó)國(guó)立衛(wèi)生研究院（NIH）的研究就在對(duì)肺癌精準(zhǔn)預(yù)測(cè)方向上取得了重大突破。

　　目前醫(yī)院主要依靠低劑量CT掃描來(lái)篩查高?；颊?，但這面臨一個(gè)很現(xiàn)實(shí)挑戰(zhàn)：放射科醫(yī)生每天要處理多個(gè)檢查，工作量巨大，而且需要手動(dòng)測(cè)量多個(gè)病灶的尺寸變化，耗時(shí)費(fèi)力，還容易因?yàn)橹饔^判斷和設(shè)備差異導(dǎo)致測(cè)量不一致。

　　美國(guó)國(guó)立衛(wèi)生研究院的這項(xiàng)研究就是為了解決這種問(wèn)題，其通過(guò)AI影像不僅能看到肺部病灶的當(dāng)前狀態(tài)，還能通過(guò)精準(zhǔn)預(yù)測(cè)，追蹤它們隨時(shí)間的變化軌跡。

　　這項(xiàng)研究來(lái)自美國(guó)國(guó)立衛(wèi)生研究院（NIH）的影像科學(xué)團(tuán)隊(duì)，于2025年發(fā)表在預(yù)印本平臺(tái)arXiv上，獲得了NIH臨床中心內(nèi)部研究項(xiàng)目的資助。

　　第一作者Tejas Mathai博士及其團(tuán)隊(duì)在醫(yī)學(xué)影像AI領(lǐng)域頗有建樹(shù)，特別是在深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)圖像分析方面積累了豐富經(jīng)驗(yàn)；他們?cè)陂L(zhǎng)期的臨床實(shí)踐中注意到，當(dāng)前AI在肺癌影像分析領(lǐng)域雖然取得了長(zhǎng)足進(jìn)展，但在“長(zhǎng)期追蹤病灶體積”這一任務(wù)上，研究卻相對(duì)空白。

　　這項(xiàng)研究使用了UniToChest數(shù)據(jù)集，這是一個(gè)公開(kāi)的、由意大利醫(yī)院采集的大型肺部CT影像數(shù)據(jù)集，包含700多例患者的超過(guò)1萬(wàn)處肺部結(jié)節(jié)手工標(biāo)注，這為研究團(tuán)隊(duì)提供了豐富、可復(fù)現(xiàn)的訓(xùn)練和評(píng)估基礎(chǔ)。

　　這項(xiàng)研究的核心成果非常務(wù)實(shí)，僅憑一個(gè)通用分割模型，對(duì)肺部多個(gè)病灶進(jìn)行自動(dòng)追蹤，并輸出可信的體積變化曲線。

　　傳統(tǒng)的AI肺部檢測(cè)只能告訴你哪里有一個(gè)病灶，大小是X厘米。而這個(gè)新系統(tǒng)更像一個(gè)時(shí)間觀察員，它能告訴你這個(gè)病灶在過(guò)去幾個(gè)月里是如何變化的，總的腫瘤負(fù)荷是增加了還是減少了。

　　研究團(tuán)隊(duì)開(kāi)發(fā)了兩套基于3D nnUNPG電子通信et的深度學(xué)習(xí)模型，第一套模型被稱為noPriors，直接從CT圖像中學(xué)習(xí)識(shí)別肺部病灶。

　　第二套模型叫withPriors，在訓(xùn)練時(shí)額外加入了28種解剖結(jié)構(gòu)的先驗(yàn)知識(shí)，比如肺葉、血管、氣道等，像給AI醫(yī)生提供了一張?jiān)敿?xì)的解剖地圖，幫助它更好地區(qū)分正常組織和病變組織

　　比較令人意外的是，實(shí)驗(yàn)結(jié)果顯示沒(méi)有加入先驗(yàn)數(shù)據(jù)的 noPriors 模型的表現(xiàn)反而更好，對(duì)于臨床上最關(guān)心的大于1厘米的病灶，這個(gè)模型達(dá)到了71.3%的精確率和68.4%的敏感性。就是在它認(rèn)為有問(wèn)題的地方，71.3%確實(shí)有問(wèn)題；而在線%能被它發(fā)現(xiàn)。這個(gè)性能水平已經(jīng)接近臨床應(yīng)用的要求。

　　更重要的是分割性能，分割就是精確地勾畫(huà)出病灶的邊界，在圖像上把腫瘤的輪廓描出來(lái)。noPriors模型達(dá)到了77.1%的Dice分?jǐn)?shù)（這是一個(gè)衡量分割準(zhǔn)確性的指標(biāo)，分?jǐn)?shù)越高越好）和11.7毫米的Hausdorff距離誤差（這衡量邊界的準(zhǔn)確性，數(shù)值越小越好）。

　　noPriors模型的縱向分析能力也很強(qiáng)悍，AI計(jì)算出每個(gè)患者的總病灶負(fù)荷中位數(shù)為6.4立方厘米，而自動(dòng)測(cè)量與手動(dòng)測(cè)量的體積差異中位數(shù)僅為0.02立方厘米，兩者之間的中位差值幾乎可以忽略不計(jì)。

　　從實(shí)驗(yàn)結(jié)果看，加入解剖信息的withPriors模型并沒(méi)有帶來(lái)明顯優(yōu)勢(shì)，反而在關(guān)鍵精度上略遜一籌，雖然在某些指標(biāo)，比如Hausdorff距離（衡量邊界誤差）上稍微更好一些，但總體來(lái)說(shuō)，不帶先驗(yàn)的noPriors模型反而表現(xiàn)得更“有彈性”。

　　為何會(huì)出現(xiàn)這種反直覺(jué)現(xiàn)象？研究者也推測(cè)，這可能是因?yàn)橄闰?yàn)信息反而限制了模型自由“想象”腫瘤形態(tài)的能力，尤其是在邊緣模糊或者位置特殊的結(jié)節(jié)上。

　　研究團(tuán)隊(duì)選擇了nnUNet作為基礎(chǔ)架構(gòu)，這不是偶然的決定，nnUNet就像是深度學(xué)習(xí)界的瑞士軍刀，它能夠根據(jù)數(shù)據(jù)集的特點(diǎn)自動(dòng)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練參數(shù)，在多個(gè)醫(yī)學(xué)圖像分析競(jìng)賽中都獲得了優(yōu)異成績(jī)。

　　關(guān)于解剖先驗(yàn)知識(shí)的使用，直覺(jué)上，給AI提供更多解剖信息應(yīng)該有助于提高性能，就像給醫(yī)學(xué)生一張?jiān)敿?xì)的解剖圖譜。但實(shí)驗(yàn)結(jié)果顯示，withPriors模型在檢測(cè)和分割性能上都略遜于noPriors模型。

　　這個(gè)現(xiàn)象反映了一個(gè)深刻的問(wèn)題：有時(shí)候額外的信息可能會(huì)成為噪聲，反而干擾模型的學(xué)習(xí)。

　　不過(guò)，使用解剖先驗(yàn)也有其優(yōu)勢(shì)，withPriors模型生成的分割結(jié)果更好地限制在肺部區(qū)域內(nèi)，而noPriors模型有時(shí)會(huì)在肺外區(qū)域產(chǎn)生假陽(yáng)性。這就像給一個(gè)過(guò)于自信的醫(yī)生劃定了工作范圍，雖然可能限制了他的創(chuàng)造力，但避免了嚴(yán)重的誤判。

　　在縱向分析方面，研究團(tuán)隊(duì)采用了一個(gè)聰明的策略，他們將有多次掃描記錄的患者專門(mén)分離出來(lái)作為測(cè)試集，用單次掃描的患者數(shù)據(jù)訓(xùn)練模型。這種設(shè)計(jì)確保了模型能夠泛化到真實(shí)的臨床場(chǎng)景中，因?yàn)樵趯?shí)際應(yīng)用中，醫(yī)生需要分析的往往是之前從未見(jiàn)過(guò)的患者的隨訪圖像。

　　同樣，這項(xiàng)研究也存在一些局限性，最主要的問(wèn)題是數(shù)據(jù)質(zhì)量，研究團(tuán)隊(duì)在質(zhì)量檢查中發(fā)現(xiàn)，公開(kāi)數(shù)據(jù)集中存在標(biāo)注錯(cuò)誤，包括一些不屬于主要病灶的小團(tuán)塊被錯(cuò)誤標(biāo)記，以及某些病灶在部分切片中缺失標(biāo)注。這些問(wèn)題就像地圖上的錯(cuò)誤標(biāo)記，會(huì)影響AI的學(xué)習(xí)效果。研究團(tuán)隊(duì)坦承，如果能夠修正這些標(biāo)注錯(cuò)誤，模型性能可能會(huì)有進(jìn)一步提升。

　　另一個(gè)限制是缺乏臨床病理信息，數(shù)據(jù)集中沒(méi)有包含患者的具體診斷信息，比如是否為非小細(xì)胞肺癌、是否有淋巴結(jié)轉(zhuǎn)移等，這使得研究無(wú)法評(píng)估模型在特定疾病類型中的表現(xiàn)，也限制了其臨床價(jià)值的全面評(píng)估。

　　傳統(tǒng)的影像AI系統(tǒng)就像是靜態(tài)攝影師，只能告訴你當(dāng)下的狀況，而這個(gè)系統(tǒng)更像是電影導(dǎo)演，能夠展現(xiàn)病情發(fā)展的完整故事。

　　AI系統(tǒng)不僅能識(shí)別出所有的肺部病灶，精確分割出它們的邊界，還能計(jì)算出總的病灶負(fù)荷，并追蹤其隨時(shí)間的變化，為每個(gè)患者生成了個(gè)性化的病灶負(fù)荷變化曲線，讓醫(yī)生能夠一目了然地看到病情的發(fā)展趨勢(shì)。

　　研究中展示了幾個(gè)具體的患者案例。比如患者A，其總腫瘤負(fù)荷從第一次檢查的約15立方厘米劇增到第二次檢查的約50立方厘米，這種急劇增長(zhǎng)提示病情惡化，需要立即調(diào)整治療方案。而患者B在三次檢查中顯示穩(wěn)定的緩慢增長(zhǎng)趨勢(shì)，這種模式可能提示需要密切隨訪但暫時(shí)不需要激進(jìn)治療。

　　這種能力對(duì)于某些特殊的臨床場(chǎng)景特別有價(jià)值，比如接受靶向放射性核素治療的晚期肺癌患者，這些患者需要頻繁的CT和PET-CT檢查來(lái)評(píng)估治療效果。傳統(tǒng)的手動(dòng)測(cè)量方法不僅工作量巨大，還難以準(zhǔn)確量化總的腫瘤負(fù)荷變化，AI系統(tǒng)的引入可以顯著提高這些評(píng)估的效率和準(zhǔn)確性。

　　在實(shí)際臨床應(yīng)用中，這個(gè)系統(tǒng)可以集成到醫(yī)院的影像存檔與通信系統(tǒng)中，成為放射科醫(yī)生的智能助手。

　　當(dāng)患者完成CT檢查后，AI系統(tǒng)會(huì)自動(dòng)分析圖像，識(shí)別和分割出所有肺部病灶，計(jì)算總病灶負(fù)荷，如果患者有歷史檢查記錄，系統(tǒng)還會(huì)自動(dòng)進(jìn)行對(duì)比分析，生成病灶變化報(bào)告。放射科醫(yī)生收到的不再是原始的CT圖像，而是經(jīng)過(guò)AI預(yù)處理的、包含詳細(xì)測(cè)量數(shù)據(jù)和變化趨勢(shì)的綜合報(bào)告。

　　這種變化的意義不僅在于提高效率，更在于提升診斷質(zhì)量，手動(dòng)測(cè)量存在觀察者間和觀察者內(nèi)的變異性，特別是對(duì)于形狀不規(guī)則的腫瘤，線性測(cè)量可能無(wú)法準(zhǔn)確反映其真實(shí)大小變化，而體積測(cè)量提供了更準(zhǔn)確和敏感的評(píng)估指標(biāo)，能夠更早地發(fā)現(xiàn)病情變化。

　　大規(guī)模篩查會(huì)產(chǎn)生海量的影像數(shù)據(jù)，人工閱片的工作量巨大，AI系統(tǒng)可以作為第一道篩查網(wǎng)，自動(dòng)識(shí)別可疑病灶并進(jìn)行初步評(píng)估，將需要重點(diǎn)關(guān)注的病例優(yōu)先提交給醫(yī)生審閱。這不僅能提高篩查效率，還能減少漏診風(fēng)險(xiǎn)。

　　要完美實(shí)現(xiàn)這些應(yīng)用前景，還需要克服一些技術(shù)和實(shí)踐挑戰(zhàn)，尤其是模型的泛化能力，目前的研究基于單一數(shù)據(jù)集，需要在更多樣化的患者群體和掃描設(shè)備上驗(yàn)證其性能。其次是與現(xiàn)有臨床工作流程的整合，醫(yī)院需要投入資源來(lái)部署和維護(hù)這些AI系統(tǒng)，醫(yī)生也需要時(shí)間來(lái)適應(yīng)新的工作模式。

　　從技術(shù)發(fā)展的角度來(lái)看，這項(xiàng)研究代表了醫(yī)學(xué)影像AI從點(diǎn)狀應(yīng)用向系統(tǒng)性解決方案的重要轉(zhuǎn)變，它不僅解決了肺部病灶檢測(cè)和分割的技術(shù)問(wèn)題，更重要的是構(gòu)建了一個(gè)完整的縱向分析框架，這為其他器官和疾病的類似應(yīng)用提供了有益的參考。

　　這項(xiàng)研究的主要價(jià)值在于其對(duì)臨床實(shí)際需求的深刻理解，研究團(tuán)隊(duì)沒(méi)有單純追求算法性能的極致優(yōu)化，而是從實(shí)用性角度出發(fā)，構(gòu)建了一個(gè)能夠真正解決臨床問(wèn)題的完整系統(tǒng)，這種以問(wèn)題為導(dǎo)向的研究思路值得借鑒。

　　當(dāng)然，要真正實(shí)現(xiàn)這項(xiàng)技術(shù)的臨床轉(zhuǎn)化，還需要更多的驗(yàn)證工作，包括多中心臨床試驗(yàn)、與臨床標(biāo)準(zhǔn)的對(duì)比研究等。但無(wú)論如何，這項(xiàng)研究為肺癌診斷和監(jiān)測(cè)開(kāi)辟了一條充滿希望的新道路，讓我們看到了AI技術(shù)在精準(zhǔn)醫(yī)療中的巨大潛力。

　　本文來(lái)自至頂AI實(shí)驗(yàn)室，一個(gè)專注于探索生成式AI前沿技術(shù)及其應(yīng)用的實(shí)驗(yàn)室。致力于推動(dòng)生成式AI在各個(gè)領(lǐng)域的創(chuàng)新與突破，挖掘其潛在的應(yīng)用場(chǎng)景，為企業(yè)和個(gè)人提供切實(shí)可行的解決方案。

　　A: AI醫(yī)療在癌癥早期篩查方面取得了重大突破。例如，寧波人民醫(yī)院使用AI胰腺癌篩查模型從7萬(wàn)份常規(guī)檢查中發(fā)現(xiàn)了12例胰腺癌患者，其中6例在常規(guī)CT檢查中未被發(fā)現(xiàn)。美國(guó)NIH的最新研究更是開(kāi)發(fā)出能夠追蹤肺部病灶隨時(shí)間變化的AI系統(tǒng)，不僅能發(fā)現(xiàn)病灶，還能預(yù)測(cè)其發(fā)展趨勢(shì)，準(zhǔn)確率達(dá)到71.3%。

　　A: 盡管醫(yī)療技術(shù)高度發(fā)達(dá)，癌癥仍是人類面臨的重大挑戰(zhàn)。全球約五分之一的人會(huì)患癌癥，九分之一的男性和十二分之一的女性會(huì)死于癌癥。肺癌是第一殺手，占所有癌癥死亡病例的19%。從1809年首例癌癥手術(shù)至今216年過(guò)去了，抗癌依然是待解難題，這也是為什么AI醫(yī)療被寄予厚望的原因。

　　A： AI醫(yī)療技術(shù)的臨床應(yīng)用前景很好，可以集成到醫(yī)院的影像系統(tǒng)中作為醫(yī)生的智能助手。不過(guò)要完全實(shí)現(xiàn)臨床轉(zhuǎn)化還需要克服一些挑戰(zhàn)，包括在更多樣化的患者群體中驗(yàn)證性能、與現(xiàn)有工作流程整合等。目前已有部分醫(yī)院開(kāi)始試點(diǎn)應(yīng)用，但大規(guī)模推廣還需要更多驗(yàn)證工作。