216年过去了，人类离攻克癌症还有多远？AI医疗或许会是那个“破局者” 原创

1809年，美国肯塔基州的伊弗雷姆·麦克道尔（Ephraim McDowell）在没有用麻醉的情况下切除了一个22磅的卵巢肿瘤，该患者此后成功生活了30年，这是针对癌症的首例手术。

216年过去了，在医疗高度发达的今天，全球依然有大约五分之一的人会得癌症，而且有九分之一的男性和十二分之一的女性会死于癌症。其中，肺癌是第一杀手，每年死亡病例占所有癌症死亡病例的19%。

抗癌，看似依然是无解的难题…

AI的出现，或许让事情出现了转机，今年年初，宁波人民医院联合阿里部署了DAMO PANDA胰腺癌筛查AI模型，从7万份常规检查的人中发现了12例胰腺癌患者，其中6例常规平扫CT检查未提示有胰腺病变。

也就是说，AI能让够更早，更准确的发现并预测癌变的发生，这也是目前AI医疗的的一个主流发展方向，更早的发现，更准确的预测。

最近一项来自美国国立卫生研究院（NIH）的研究就在对肺癌精准预测方向上取得了重大突破。

目前医院主要依靠低剂量CT扫描来筛查高危患者，但这面临一个很现实挑战：放射科医生每天要处理多个检查，工作量巨大，而且需要手动测量多个病灶的尺寸变化，耗时费力，还容易因为主观判断和设备差异导致测量不一致。

美国国立卫生研究院的这项研究就是为了解决这种问题，其通过AI影像不仅能看到肺部病灶的当前状态，还能通过精准预测，追踪它们随时间的变化轨迹。

研究背景：以数据为基石

这项研究来自美国国立卫生研究院（NIH）的影像科学团队，于2025年发表在预印本平台arXiv上，获得了NIH临床中心内部研究项目的资助。

第一作者Tejas Mathai博士及其团队在医学影像AI领域颇有建树，特别是在深度学习应用于医学图像分析方面积累了丰富经验；他们在长期的临床实践中注意到，当前AI在肺癌影像分析领域虽然取得了长足进展，但在“长期追踪病灶体积”这一任务上，研究却相对空白。

这项研究使用了UniToChest数据集，这是一个公开的、由意大利医院采集的大型肺部CT影像数据集，包含700多例患者的超过1万处肺部结节手工标注，这为研究团队提供了丰富、可复现的训练和评估基础。

核心成果：从“定格拍照”到“延时摄影”

这项研究的核心成果非常务实，仅凭一个通用分割模型，对肺部多个病灶进行自动追踪，并输出可信的体积变化曲线。

传统的AI肺部检测只能告诉你哪里有一个病灶，大小是X厘米。而这个新系统更像一个"时间观察员"，它能告诉你这个病灶在过去几个月里是如何变化的，总的肿瘤负荷是增加了还是减少了。

研究团队开发了两套基于3D nnUNet的深度学习模型，第一套模型被称为"noPriors"，直接从CT图像中学习识别肺部病灶。

第二套模型叫"withPriors"，在训练时额外加入了28种解剖结构的先验知识，比如肺叶、血管、气道等，像给AI医生提供了一张详细的解剖地图，帮助它更好地区分正常组织和病变组织

比较令人意外的是，实验结果显示没有加入先验数据的 "noPriors" 模型的表现反而更好，对于临床上最关心的大于1厘米的病灶，这个模型达到了71.3%的精确率和68.4%的敏感性。就是在它认为有问题的地方，71.3%确实有问题；而在真正有问题的地方，68.4%能被它发现。这个性能水平已经接近临床应用的要求。

更重要的是分割性能，分割就是精确地勾画出病灶的边界，在图像上把肿瘤的轮廓描出来。noPriors模型达到了77.1%的Dice分数（这是一个衡量分割准确性的指标，分数越高越好）和11.7毫米的Hausdorff距离误差（这衡量边界的准确性，数值越小越好）。

noPriors模型的纵向分析能力也很强悍，AI计算出每个患者的总病灶负荷中位数为6.4立方厘米，而自动测量与手动测量的体积差异中位数仅为0.02立方厘米，两者之间的中位差值几乎可以忽略不计。

从实验结果看，加入解剖信息的withPriors模型并没有带来明显优势，反而在关键精度上略逊一筹，虽然在某些指标，比如Hausdorff距离（衡量边界误差）上稍微更好一些，但总体来说，不带先验的noPriors模型反而表现得更“有弹性”。

为何会出现这种反直觉现象？研究者也推测，这可能是因为先验信息反而限制了模型自由“想象”肿瘤形态的能力，尤其是在边缘模糊或者位置特殊的结节上。

方法评析：一场“加减法”的较量

研究团队选择了nnUNet作为基础架构，这不是偶然的决定，nnUNet就像是深度学习界的"瑞士军刀"，它能够根据数据集的特点自动调整网络结构和训练参数，在多个医学图像分析竞赛中都获得了优异成绩。

关于解剖先验知识的使用，直觉上，给AI提供更多解剖信息应该有助于提高性能，就像给医学生一张详细的解剖图谱。但实验结果显示，"withPriors"模型在检测和分割性能上都略逊于"noPriors"模型。

这个现象反映了一个深刻的问题：有时候额外的信息可能会成为"噪声"，反而干扰模型的学习。

不过，使用解剖先验也有其优势，"withPriors"模型生成的分割结果更好地限制在肺部区域内，而"noPriors"模型有时会在肺外区域产生假阳性。这就像给一个过于自信的医生划定了工作范围，虽然可能限制了他的"创造力"，但避免了严重的误判。

在纵向分析方面，研究团队采用了一个聪明的策略，他们将有多次扫描记录的患者专门分离出来作为测试集，用单次扫描的患者数据训练模型。这种设计确保了模型能够泛化到真实的临床场景中，因为在实际应用中，医生需要分析的往往是之前从未见过的患者的随访图像。

同样，这项研究也存在一些局限性，最主要的问题是数据质量，研究团队在质量检查中发现，公开数据集中存在标注错误，包括一些不属于主要病灶的小团块被错误标记，以及某些病灶在部分切片中缺失标注。这些问题就像地图上的错误标记，会影响AI的学习效果。研究团队坦承，如果能够修正这些标注错误，模型性能可能会有进一步提升。

另一个限制是缺乏临床病理信息，数据集中没有包含患者的具体诊断信息，比如是否为非小细胞肺癌、是否有淋巴结转移等，这使得研究无法评估模型在特定疾病类型中的表现，也限制了其临床价值的全面评估。

结论：纵向追踪，突破传统诊断模式的关键创新

传统的影像AI系统就像是"静态摄影师"，只能告诉你当下的状况，而这个系统更像是"电影导演"，能够展现病情发展的完整故事。

AI系统不仅能识别出所有的肺部病灶，精确分割出它们的边界，还能计算出总的病灶负荷，并追踪其随时间的变化，为每个患者生成了个性化的病灶负荷变化曲线，让医生能够一目了然地看到病情的发展趋势。

研究中展示了几个具体的患者案例。比如患者A，其总肿瘤负荷从第一次检查的约15立方厘米剧增到第二次检查的约50立方厘米，这种急剧增长提示病情恶化，需要立即调整治疗方案。而患者B在三次检查中显示稳定的缓慢增长趋势，这种模式可能提示需要密切随访但暂时不需要激进治疗。

这种能力对于某些特殊的临床场景特别有价值，比如接受靶向放射性核素治疗的晚期肺癌患者，这些患者需要频繁的CT和PET-CT检查来评估治疗效果。传统的手动测量方法不仅工作量巨大，还难以准确量化总的肿瘤负荷变化，AI系统的引入可以显著提高这些评估的效率和准确性。

在实际临床应用中，这个系统可以集成到医院的影像存档与通信系统中，成为放射科医生的智能助手。

当患者完成CT检查后，AI系统会自动分析图像，识别和分割出所有肺部病灶，计算总病灶负荷，如果患者有历史检查记录，系统还会自动进行对比分析，生成病灶变化报告。放射科医生收到的不再是原始的CT图像，而是经过AI预处理的、包含详细测量数据和变化趋势的综合报告。

这种变化的意义不仅在于提高效率，更在于提升诊断质量，手动测量存在观察者间和观察者内的变异性，特别是对于形状不规则的肿瘤，线性测量可能无法准确反映其真实大小变化，而体积测量提供了更准确和敏感的评估指标，能够更早地发现病情变化。

大规模筛查会产生海量的影像数据，人工阅片的工作量巨大，AI系统可以作为"第一道筛查网"，自动识别可疑病灶并进行初步评估，将需要重点关注的病例优先提交给医生审阅。这不仅能提高筛查效率，还能减少漏诊风险。

要完美实现这些应用前景，还需要克服一些技术和实践挑战，尤其是模型的泛化能力，目前的研究基于单一数据集，需要在更多样化的患者群体和扫描设备上验证其性能。其次是与现有临床工作流程的整合，医院需要投入资源来部署和维护这些AI系统，医生也需要时间来适应新的工作模式。

至顶AI实验室洞见

早发现，早干预，这几乎是所有疾病治疗的金原则。

提前发现病灶，并分析与预测病灶的变化，这就是目前AI医疗的首要目标。

从技术发展的角度来看，这项研究代表了医学影像AI从"点状应用"向"系统性解决方案"的重要转变，它不仅解决了肺部病灶检测和分割的技术问题，更重要的是构建了一个完整的纵向分析框架，这为其他器官和疾病的类似应用提供了有益的参考。

这项研究的主要价值在于其对临床实际需求的深刻理解，研究团队没有单纯追求算法性能的极致优化，而是从实用性角度出发，构建了一个能够真正解决临床问题的完整系统，这种以问题为导向的研究思路值得借鉴。

当然，要真正实现这项技术的临床转化，还需要更多的验证工作，包括多中心临床试验、与临床标准的对比研究等。但无论如何，这项研究为肺癌诊断和监测开辟了一条充满希望的新道路，让我们看到了AI技术在精准医疗中的巨大潜力。

精准医疗，更需要“提前精准”。

论文地址：
https://arxiv.org/abs/2504.06924

END

本文来自至顶AI实验室，一个专注于探索生成式AI前沿技术及其应用的实验室。致力于推动生成式AI在各个领域的创新与突破，挖掘其潜在的应用场景，为企业和个人提供切实可行的解决方案。

Q&A：

Q: AI医疗在癌症筛查方面有什么突破吗？

A: AI医疗在癌症早期筛查方面取得了重大突破。例如，宁波人民医院使用AI胰腺癌筛查模型从7万份常规检查中发现了12例胰腺癌患者，其中6例在常规CT检查中未被发现。美国NIH的最新研究更是开发出能够追踪肺部病灶随时间变化的AI系统，不仅能发现病灶，还能预测其发展趋势，准确率达到71.3%。

Q: 现在的癌症治疗情况到底怎么样？

A: 尽管医疗技术高度发达，癌症仍是人类面临的重大挑战。全球约五分之一的人会患癌症，九分之一的男性和十二分之一的女性会死于癌症。肺癌是第一杀手，占所有癌症死亡病例的19%。从1809年首例癌症手术至今216年过去了，抗癌依然是待解难题，这也是为什么AI医疗被寄予厚望的原因。

Q: AI医疗技术会不会很快应用到医院里？

A： AI医疗技术的临床应用前景很好，可以集成到医院的影像系统中作为医生的智能助手。不过要完全实现临床转化还需要克服一些挑战，包括在更多样化的患者群体中验证性能、与现有工作流程整合等。目前已有部分医院开始试点应用，但大规模推广还需要更多验证工作。