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，在醫療高度發達的今天，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%。

抗癌，看似依然是無解的難題…

AI的出現，或許讓事情出現了轉機，今年年初，寧波人民醫院聯合阿里部署了DAMO PANDA胰腺癌篩查AI模型，從7萬份常規檢查的人中發現了12例胰腺癌患者，其中6例常規平掃CT檢查未提示有胰腺病變。

也就是說，AI能讓夠更早，更準確的發現并預測癌變的發生，這也是目前AI醫療的的一個主流發展方向，更早的發現，更準確的預測。

最近一項來自美國國立衛生研究院（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，但這面臨一個很現實挑戰：放射科醫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，還能通過精準預測，追蹤它們隨時間的變化軌跡。

研究背景：以數據為基石

這項研究來自美國國立衛生研究院（NIH）的影像科學團隊，于2025年發表在預印本平臺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博士及其團隊在醫學影像AI領域頗有建樹，特別是在深度學習應用于醫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數據集，這是一個公開的、由意大利醫院采集的大型肺部CT影像數據集，包含700多例患者的超過1萬處肺部結節手工標注，這為研究團隊提供了豐富、可復現的訓練和評估基礎。

核心成果：從“定格拍照”到“延時攝影”

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。

研究團隊開發了兩套基于3D nnUNet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醫生提供了一張詳細的解剖地圖，幫助它更好地區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據的 "noPriors" 模型的表現反而更好，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；而在真正有問題的地方，68.4%能被它發現。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（這是一個衡量分割準確性的指標，分數越高越好）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模型反而表現得更“有彈性”。

為何會出現這種反直覺現象？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”腫瘤形態的能力，尤其是在邊緣模糊或者位置特殊的結節上。

方法評析：一場“加減法”的較量

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"，它能夠根據數據集的特點自動調整網絡結構和訓練參數，在多個醫學圖像分析競賽中都獲得了優異成績。

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勢，"withPriors"模型生成的分割結果更好地限制在肺部區域內，而"noPriors"模型有時會在肺外區域產生假陽性。這就像給一個過于自信的醫生劃定了工作范圍，雖然可能限制了他的"創造力"，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據訓練模型。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，最主要的問題是數據質量，研究團隊在質量檢查中發現，公開數據集中存在標注錯誤，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，數據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，也限制了其臨床價值的全面評估。

結論：縱向追蹤，突破傳統診斷模式的關鍵創新

傳統的影像AI系統就像是"靜態攝影師"，只能告訴你當下的狀況，而這個系統更像是"電影導演"，能夠展現病情發展的完整故事。

AI系統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，讓醫生能夠一目了然地看到病情的發展趨勢。

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，這個系統可以集成到醫院的影像存檔與通信系統中，成為放射科醫生的智能助手。

當患者完成CT檢查后，AI系統會自動分析圖像，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，系統還會自動進行對比分析，生成病灶變化報告。放射科醫生收到的不再是原始的CT圖像，而是經過AI預處理的、包含詳細測量數據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，能夠更早地發現病情變化。

大規模篩查會產生海量的影像數據，人工閱片的工作量巨大，AI系統可以作為"第一道篩查網"，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先提交給醫生審閱。這不僅能提高篩查效率，還能減少漏診風險。

要完美實現這些應用前景，還需要克服一些技術和實踐挑戰，尤其是模型的泛化能力，目前的研究基于單一數據集，需要在更多樣化的患者群體和掃描設備上驗證其性能。其次是與現有臨床工作流程的整合，醫院需要投入資源來部署和維護這些AI系統，醫生也需要時間來適應新的工作模式。

至頂AI實驗室洞見

早發現，早干預，這幾乎是所有疾病治療的金原則。

提前發現病灶，并分析與預測病灶的變化，這就是目前AI醫療的首要目標。

從技術發展的角度來看，這項研究代表了醫學影像AI從"點狀應用"向"系統性解決方案"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化，而是從實用性角度出發，構建了一個能夠真正解決臨床問題的完整系統，這種以問題為導向的研究思路值得借鑒。

當然，要真正實現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技術在精準醫療中的巨大潛力。

精準醫療，更需要“提前精準”。

論文地址：https://arxiv.org/abs/2504.06924

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在各個領域的創新與突破，挖掘其潛在的應用場景，為企業和個人提供切實可行的解決方案。

Q&A：

Q: AI醫療在癌癥篩查方面有什么突破嗎？

A: AI醫療在癌癥早期篩查方面取得了重大突破。例如，寧波人民醫院使用AI胰腺癌篩查模型從7萬份常規檢查中發現了12例胰腺癌患者，其中6例在常規CT檢查中未被發現。美國NIH的最新研究更是開發出能夠追蹤肺部病灶隨時間變化的AI系統，不僅能發現病灶，還能預測其發展趨勢，準確率達到71.3%。

Q: 現在的癌癥治療情況到底怎么樣？

A: 盡管醫療技術高度發達，癌癥仍是人類面臨的重大挑戰。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136年過去了，抗癌依然是待解難題，這也是為什么AI醫療被寄予厚望的原因。

Q: AI醫療技術會不會很快應用到醫院里？

A： AI醫療技術的臨床應用前景很好，可以集成到醫院的影像系統中作為醫生的智能助手。不過要完全實現臨床轉化還需要克服一些挑戰，包括在更多樣化的患者群體中驗證性能、與現有工作流程整合等。目前已有部分醫院開始試點應用，但大規模推廣還需要更多驗證工作。