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

　　216年過去了，在醫(yī)療高度發(fā)達的今天，全球依然有大約五分之一的人會得癌癥，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)了轉機，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，AI能讓夠更早，更準確的發(fā)現(xiàn)并預測癌變的發(fā)生，這也是目前AI醫(yī)療的的一個主流發(fā)展方向，更早的發(fā)現(xiàn)，更準確的預測。

　　最近一項來自美國國立衛(wèi)生研究院（NIH）的研究就在對肺癌精準預測方向上取得了重大突破。

　　目前醫(yī)院主要依靠低劑量CT掃描來篩查高危患者，但這面臨一個很現(xiàn)實挑戰(zhàn)：放射科醫(yī)生每天要處理多個檢查，工作量巨大，而且需要手動測量多個病灶的尺寸變化，耗時費力，還容易因為主觀判斷和設備差異導致測量不一致。

　　美國國立衛(wèi)生研究院的這項研究就是為了解決這種問題，其通過AI影像不僅能看到肺部病灶的當前狀態(tài)，還能通過精準預測，追蹤它們隨時間的變化軌跡。

　　這項研究來自美國國立衛(wèi)生研究院（NIH）的影像科學團隊，于2025年發(fā)表在預印本平臺arXiv上，獲得了NIH臨床中心內部研究項目的資助。

　　第一作者Tejas Mathai博士及其團隊在醫(yī)學影像AI領域頗有建樹，特別是在深度學習應用于醫(yī)學圖像分析方面積累了豐富經驗；他們在長期的臨床實踐中注意到，當前AI在肺癌影像分析領域雖然取得了長足進展，但在“長期追蹤病灶體積”這一任務上，研究卻相對空白。

　　這項研究使用了UniToChest數(shù)據(jù)集，這是一個公開的、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1萬處肺部結節(jié)手工標注，這為研究團隊提供了豐富、可復現(xiàn)的訓練和評估基礎。

　　這項研究的核心成果非常務實，僅憑一個通用分割模型，對肺部多個病灶進行自動追蹤，并輸出可信的體積變化曲線。

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

　　研究團隊開發(fā)了兩套基于3D nnUNPG電子通信et的深度學習模型，第一套模型被稱為noPriors，直接從CT圖像中學習識別肺部病灶。

　　第二套模型叫withPriors，在訓練時額外加入了28種解剖結構的先驗知識，比如肺葉、血管、氣道等，像給AI醫(yī)生提供了一張詳細的解剖地圖，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，實驗結果顯示沒有加入先驗數(shù)據(jù)的 noPriors 模型的表現(xiàn)反而更好，對于臨床上最關心的大于1厘米的病灶，這個模型達到了71.3%的精確率和68.4%的敏感性。就是在它認為有問題的地方，71.3%確實有問題；而在線%能被它發(fā)現(xiàn)。這個性能水平已經接近臨床應用的要求。

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

　　noPriors模型的縱向分析能力也很強悍，AI計算出每個患者的總病灶負荷中位數(shù)為6.4立方厘米，而自動測量與手動測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。

　　從實驗結果看，加入解剖信息的withPriors模型并沒有帶來明顯優(yōu)勢，反而在關鍵精度上略遜一籌，雖然在某些指標，比如Hausdorff距離（衡量邊界誤差）上稍微更好一些，但總體來說，不帶先驗的noPriors模型反而表現(xiàn)得更“有彈性”。

　　為何會出現(xiàn)這種反直覺現(xiàn)象？研究者也推測，這可能是因為先驗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節(jié)上。

　　研究團隊選擇了nnUNet作為基礎架構，這不是偶然的決定，nnUNet就像是深度學習界的瑞士軍刀，它能夠根據(jù)數(shù)據(jù)集的特點自動調整網(wǎng)絡結構和訓練參數(shù)，在多個醫(yī)學圖像分析競賽中都獲得了優(yōu)異成績。

　　關于解剖先驗知識的使用，直覺上，給AI提供更多解剖信息應該有助于提高性能，就像給醫(yī)學生一張詳細的解剖圖譜。但實驗結果顯示，withPriors模型在檢測和分割性能上都略遜于noPriors模型。

　　這個現(xiàn)象反映了一個深刻的問題：有時候額外的信息可能會成為噪聲，反而干擾模型的學習。

　　不過，使用解剖先驗也有其優(yōu)勢，withPriors模型生成的分割結果更好地限制在肺部區(qū)域內，而noPriors模型有時會在肺外區(qū)域產生假陽性。這就像給一個過于自信的醫(yī)生劃定了工作范圍，雖然可能限制了他的創(chuàng)造力，但避免了嚴重的誤判。

　　在縱向分析方面，研究團隊采用了一個聰明的策略，他們將有多次掃描記錄的患者專門分離出來作為測試集，用單次掃描的患者數(shù)據(jù)訓練模型。這種設計確保了模型能夠泛化到真實的臨床場景中，因為在實際應用中，醫(yī)生需要分析的往往是之前從未見過的患者的隨訪圖像。

　　同樣，這項研究也存在一些局限性，最主要的問題是數(shù)據(jù)質量，研究團隊在質量檢查中發(fā)現(xiàn)，公開數(shù)據(jù)集中存在標注錯誤，包括一些不屬于主要病灶的小團塊被錯誤標記，以及某些病灶在部分切片中缺失標注。這些問題就像地圖上的錯誤標記，會影響AI的學習效果。研究團隊坦承，如果能夠修正這些標注錯誤，模型性能可能會有進一步提升。

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

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

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

　　研究中展示了幾個具體的患者案例。比如患者A，其總腫瘤負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，這種急劇增長提示病情惡化，需要立即調整治療方案。而患者B在三次檢查中顯示穩(wěn)定的緩慢增長趨勢，這種模式可能提示需要密切隨訪但暫時不需要激進治療。

　　這種能力對于某些特殊的臨床場景特別有價值，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檢查來評估治療效果。傳統(tǒng)的手動測量方法不僅工作量巨大，還難以準確量化總的腫瘤負荷變化，AI系統(tǒng)的引入可以顯著提高這些評估的效率和準確性。

　　在實際臨床應用中，這個系統(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。

　　當患者完成CT檢查后，AI系統(tǒng)會自動分析圖像，識別和分割出所有肺部病灶，計算總病灶負荷，如果患者有歷史檢查記錄，系統(tǒng)還會自動進行對比分析，生成病灶變化報告。放射科醫(yī)生收到的不再是原始的CT圖像，而是經過AI預處理的、包含詳細測量數(shù)據(jù)和變化趨勢的綜合報告。

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

　　大規(guī)模篩查會產生海量的影像數(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)，自動識別可疑病灶并進行初步評估，將需要重點關注的病例優(yōu)先提交給醫(yī)生審閱。這不僅能提高篩查效率，還能減少漏診風險。

　　要完美實現(xiàn)這些應用前景，還需要克服一些技術和實踐挑戰(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備上驗證其性能。其次是與現(xiàn)有臨床工作流程的整合，醫(yī)院需要投入資源來部署和維護這些AI系統(tǒng)，醫(yī)生也需要時間來適應新的工作模式。

　　從技術發(fā)展的角度來看，這項研究代表了醫(yī)學影像AI從點狀應用向系統(tǒng)性解決方案的重要轉變，它不僅解決了肺部病灶檢測和分割的技術問題，更重要的是構建了一個完整的縱向分析框架，這為其他器官和疾病的類似應用提供了有益的參考。

　　這項研究的主要價值在于其對臨床實際需求的深刻理解，研究團隊沒有單純追求算法性能的極致優(yōu)化，而是從實用性角度出發(fā)，構建了一個能夠真正解決臨床問題的完整系統(tǒng)，這種以問題為導向的研究思路值得借鑒。

　　當然，要真正實現(xiàn)這項技術的臨床轉化，還需要更多的驗證工作，包括多中心臨床試驗、與臨床標準的對比研究等。但無論如何，這項研究為肺癌診斷和監(jiān)測開辟了一條充滿希望的新道路，讓我們看到了AI技術在精準醫(yī)療中的巨大潛力。

　　本文來自至頂AI實驗室，一個專注于探索生成式AI前沿技術及其應用的實驗室。致力于推動生成式AI在各個領域的創(chuàng)新與突破，挖掘其潛在的應用場景，為企業(yè)和個人提供切實可行的解決方案。

　　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NIH的最新研究更是開發(fā)出能夠追蹤肺部病灶隨時間變化的AI系統(tǒng)，不僅能發(fā)現(xiàn)病灶，還能預測其發(fā)展趨勢，準確率達到71.3%。

　　A: 盡管醫(yī)療技術高度發(fā)達，癌癥仍是人類面臨的重大挑戰(zhàn)。全球約五分之一的人會患癌癥，九分之一的男性和十二分之一的女性會死于癌癥。肺癌是第一殺手，占所有癌癥死亡病例的19%。從1809年首例癌癥手術至今216年過去了，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)療技術的臨床應用前景很好，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。不過要完全實現(xiàn)臨床轉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證性能、與現(xiàn)有工作流程整合等。目前已有部分醫(yī)院開始試點應用，但大規(guī)模推廣還需要更多驗證工作。