ARTICLE · 1129574
不插管查食管癌,中国AI把筛查成本压进CT里
不插管查食管癌,中国AI把筛查成本压进CT里内镜能看清食管，但看不清人心里的抗拒。AI要做的事情，是把筛查藏进一次已经存在的CT里。 我翻开这份Nature Medicine论文的时候，首先注意到的不是模型指标，而是一组很刺眼的数字：中国食管癌的发病率和死亡率，大约占了全球的一半。换句话说，这个世界上每两个食管癌患者里，就有一个生活在中国。更具体一点，高发区集中在四川、河南、福建这些地方，饮食习惯、地理环境、医疗资源不均把一群人推到了疾病的门口。 但另一个数字同样刺眼：真正接受过早筛的人，少之又少。食管癌的标准筛查手段是上消化道内镜，医生把一根管子从嘴里伸进去，直接观察食管黏膜。这个检查很准确，但也很不友好。患者要空腹、要麻醉、要预约、要承受不适感，很多人做过一次就再也不想碰。结果就是，大部分人等到吞咽困难、体重骤降才去医院，那时候往往已经是中晚期。 这不是技术失败，是人的失败。更准确地说，是筛查方式没有匹配人性。我们总以为，只要医疗技术足够好，患者就会配合。但食管癌的故事告诉我们，再精确的内镜，也敌不过一个普通人的畏难和拖延。 所以当我看到达摩院这篇论文的题目时，第一反应是：他们是不是疯了？ 要从胸部平扫CT里识别早期食管癌，甚至识别癌前病变，这在放射科医生看来几乎是天方夜谭。食管是一个狭长、容易塌陷的空腔器官，早期病变只隐匿在薄薄的上皮层和黏膜里。再加上心脏和大血管不停跳动，CT图像上充满了运动伪影。人眼在平扫CT上分辨这些细微变化，难度堪比在一辆颠簸的公交车上辨认窗外飞驰的招牌。 但达摩院的团队换了一个思路。他们没有直接让AI去猜平扫CT上哪里可能是病灶，而是先把内镜检查报告和增强CT上的准确病灶位置，一一配对到同一个人的平扫CT上。相当于先用更精确的检查给平扫CT“标注答案”，再让AI学习这些隐藏的模式。这个做法很朴素，但也很有效：它把“不可能”的任务，拆解成了“用已有数据教会AI”的工程问题。 论文里的数据验证了这一点。在三国12个中心、超过8万名患者的验证中，EAGLE对现有CT扫描上机会性筛查的癌症敏感性达到90%，特异性98.5%。对于信号极其微弱的癌前病变，敏感性也有52.5%。这些数字不是实验室里的玩具，而是真实医院、真实CT机、真实患者身上的结果。 让我更感兴趣的，是“机会性筛查”这五个字。 所谓机会性筛查，不是让患者为了查食管癌专门做一次CT，而是在他因为其他原因——比如肺癌筛查、体检、胸痛检查——已经要做胸部CT的时候，顺手把食管癌也筛一遍。这听起来只是多了一个步骤，实际上却彻底改变了筛查的经济学。 肺癌低剂量CT筛查在中国和许多国家都在推广，接受度远高于胃镜。EAGLE的数据显示，在低剂量CT验证中，它的特异性高达99.94%。这意味着，把它嵌入现有的肺癌筛查流程，几乎不会增加假阳性，也不会给患者带来额外的心理负担和随访成本。患者不需要多请一天假，不需要多挨一次检查，甚至连多抽一管血都不需要。 这才是AI在医疗里真正值钱的地方。不是让它做得比顶级专家更好——虽然EAGLE在某些场景下已经接近甚至超过人眼——而是让它把专家的能力，嫁接到一个成本已经很低、接受度已经很高的流程里。筛查的成本，从来不只是检查费，更是患者的时间、恐惧和依从性。把这些压下来，筛查率才可能真正上升。 论文的通讯作者里有四川省肿瘤医院的王奇峰主任医师，这让我格外注意。四川是中国食管癌最高发的地区之一，热烫饮食、高盐腌制食品、吸烟饮酒，把这里的人群推到了疾病的高风险区。也正因如此，这里的医院见过足够多的早期和晚期病例，数据本身就有说服力。 但达摩院没有止步于单中心数据。他们在三个国家的12个中心验证了8万多名患者，覆盖了机会性筛查、人群筛查、低剂量CT、真实世界队列和前赡性医院验证。更关键的是，他们还对真实世界队列做了校准，把假阳性减少了72.7%，同时保持了敏感性。前瞻性验证的阳性预测值达到42.2%。 这些数字用大白话说就是：AI不仅能在理想条件下工作，在混乱的真实医院里也能工作。而发在Nature Medicine这样的顶刊上，意味着审稿人和编辑认可了它的临床价值和科学严谨性。对一家科技公司来说，这比任何产品发布会都更有分量。 EAGLE不是达摩院在癌症筛查上的第一个作品。在此之前，他们已经在胰腺、胃、结直肠、肝脏等癌种上发布了AI模型。乳腺癌和肺癌的模型也在开发中。达摩院显然在做一件事：构建一个覆盖主要高发癌种的影像AI筛查矩阵。 这让我想起另一条技术路线——血液多癌早检。Grail的Galleri通过一次抽血同时筛查50多种癌症，代表了无创、广覆盖的方向。而达摩院的影像AI矩阵，走的是另一条路：利用已经大规模开展的影像学检查，把单癌种或少数癌种的筛查做得更准、更便宜、更易落地。 两条路线没有绝对的好坏。血液检测覆盖广但成本高、假阳性管理复杂；影像AI的机会性筛查覆盖窄但依附现有流程、边际成本极低。未来更可能的图景是，两者互补：血液检测做初筛，影像AI做定位，内镜或病理做确诊。达摩院的矩阵，正在抢占影像AI这一环的位置。 不过，我要把话说回来：技术突破只是第一步，离商业闭环还有很远。 EAGLE能不能进入临床常规，取决于三件事。第一是监管批准，在中国需要NMPA三类证，在美国需要FDA许可。第二是支付，医保或商保是否愿意为这项AI辅助诊断付费。第三是临床指南，医生会不会因为一个AI提示，就把患者转去内镜进一步检查。 中国之前在病理AI、影像AI辅助诊断上已经有了一些经验。2024年，12项AI辅助诊断被纳入医保乙类，覆盖全国800多家三甲医院。这为EAGLE这样的产品提供了支付路径的参照。但食管癌筛查要不要纳入医保、按什么价格纳入、适应症如何界定，仍然需要更多卫生经济学证据。 换句话说，AI可以把筛查成本压进一次CT里，但能不能把这项服务卖出去、卖出去之后能不能持续盈利，还要看病保部门、医院、医生和患者四方是否都买账。技术让筛查变便宜，支付让筛查变可持续。少了任何一端，故事都讲不完整。 我站在读者的角度回想这篇文章。它最打动我的地方，不是某个惊艳的算法，而是它解决了一个真实世界里的人性难题：让人更愿意去做一件对自己有好处、但本能上想回避的事。食管癌早发现，五年生存率可以超过95%；晚期发现，生存率可能只剩个位数。EAGLE没有改变食管癌的生物学，但它改变了筛查的方式。把一根管子换成一次已经要做的CT，把“专门去查”换成“顺便查一下”，这中间的差距，可能就是生与死的差距。 AI医疗讲了太多宏大的故事，但真正的变革，往往藏在这些小的、具体的、让人少受一点苦的改进里。