夜雨聆风一张CT片子，放射科医生看了一眼，写下两个字：正常。
16个月后，同一个病人，被确诊为胰腺癌。
如果你把这两件事放在一起看，会发现一个细思极恐的事实：那张"正常"的CT，其实从来就不正常。癌症的痕迹早就刻在里面了，只是没有人读得出来。
现在，梅奥诊所（Mayo Clinic）的一群研究者，训练出了一个能读懂这份"密码"的AI。
一场迟到的判决
胰腺癌有个绰号，叫"沉默的杀手"。
真正让它致命的,只有一个原因:发现得太晚。超过85%的病例,等确诊时癌细胞已经扩散。五年生存率不到15%。按目前的趋势,到2030年,它会超过大肠癌，成为美国癌症死亡原因的第二名。
胰腺藏在腹腔深处,周围裹着胃、肠子和一堆血管,本身又不像肺或者乳腺那样有成熟的筛查手段。等到腹痛、消瘦、皮肤发黄这些症状出现,肿瘤往往已经长到能在CT上"看见"的程度，而这时候,手术台已经很难帮上忙了。
梅奥团队想解决的问题只有一句:能不能在肿瘤形成肉眼可见的团块之前,就把它揪出来?
他们给出的答案,叫REDMOD，Radiomics-based Early Detection MODel,放射组学早期检测模型。
73% 对 39%,一场不对等的较量
REDMOD的验证方式,几乎是一场"人机对照实验"。
研究者找来219名后来确诊胰腺导管腺癌的患者,翻出他们确诊前3到36个月、因为其他原因拍下的腹部CT。这些片子当时都经过专家复核,写着"胰腺正常"。
再找来1243名胰腺正常、并且至少3年没有患癌的人做对照。
一共1462次扫描,来自西门子、GE、东芝、飞利浦等不同品牌的机器,分属多家医院,拍摄协议五花八门，研究者刻意把它做成一锅贴近真实世界的大杂烩,不追求实验室里那种干干净净的理想数据。
结果发表在4月的《Gut》期刊(BMJ旗下)上:在独立测试集里,REDMOD从这些"正常"CT中,标记出了73%未来会患癌的病例。同一批片子,放射科医生只看出了38.9%。
时间拉得越远,差距越夸张。诊断前两年以上的CT里,AI的命中率是68%,放射科医生只有23%，接近三倍。
7月4日,这项研究被网友Alex Veremeyenko(@alex_verem)搬上了X平台,配了梅奥制作的演示视频。帖子不长,但每一句都在戳人:
"The radiologists weren't sloppy. It's just that the signal was sitting below what a human eye can physically catch."
「放射科医生并非粗心。只是信号低于人眼能捕捉的物理极限。」
"The cancer was already in scans we'd taken. We couldn't see it."
「癌症早已存在于我们拍摄的扫描中,只是我们看不到。」
▲ @alex_verem 的原帖摘录,列出了研究的核心数据和限制。
机器到底看到了什么
这才是整件事最不可思议的地方，AI能赢,靠的其实是一套人眼压根用不上的"视力"。
梅奥放射科的资深研究者Ajit Goenka博士,在接受Inside Precision Medicine采访时给出了生物学层面的解释:肿瘤在长成一个"团块"之前,它所在的那片组织,早已开始悄悄变化，细胞外基质被重塑、纤维化悄然发生、细胞密度慢慢改变、促纤维反应逐渐启动。
这些变化,在标准CT的灰阶画面上完全"隐形"。人眼看到的还是一片均匀的灰色胰腺组织。
但它们真实地改变了组织内部像素与像素之间的空间关系,像水面下的暗流,留下了一串"纹理指纹"。
REDMOD要做的,就是把这串指纹读出来。它对CT图像做小波(wavelet)多尺度滤波,把肉眼分辨率之外的高频、低频纹理模式都分离出来,再从中提取968个定量放射组学特征，一阶统计量、灰度共生矩阵(GLCM)、灰度大小区矩阵(GLSZM)等等。
论文的一个消融实验证实了这套思路的价值:只用滤波后的纹理特征,AUC是0.82;换回没滤波的原始特征,AUC掉到0.74。差距不算小,p值0.007。90%被选中的关键特征,都来自滤波后的纹理层，换句话说,答案根本不在人眼能看到的地方。
《GI & Hepatology News》采访Goenka时,他把这层意思讲得更透彻:
"The broader implication is that conventional imaging fails in pancreatic cancer not because the scan lacks information, but because the relevant information exists below the threshold of human visual perception."
「更宏观的意义在于:传统影像在胰腺癌前期失效,根源就在于相关信息本来就藏在人类视觉感知阈值之下,扫描本身其实什么都不缺。」
NBC News的报道里,他讲得更像是一句心里话:
"We knew, based on the biology of the disease, that this is not something which is coming all of a sudden in three months... We knew that the signal was there. We just needed to find a way to be able to detect it."
「根据这种疾病的生物学规律,我们知道它不会在三个月内突然冒出来……我们知道信号一直都在那里,只是需要找到读出它的办法。」
▲ 梅奥诊所提供的示例图。左边是原始CT切片,肉眼看不出异常;右边叠加了REDMOD生成的纹理热力图,黄红色区域正是后来长出肿瘤的位置，当时这里在放射科医生眼里还是"正常"。
拆开这个黑箱
光有生物学直觉不够,REDMOD能落地,靠的是一整套工程上的取舍。
第一步是分割。过去类似的放射组学研究,胰腺轮廓要靠人工在CT上一层层手动勾画,费时费力,不同医生画的还不一样。REDMOD换成了3D nnU-Net模型做全自动分割,省掉了这个瓶颈,也让"规模化"第一次变得可能。
第二步是降维。968个特征太多,容易过拟合。研究者用mRMR(最小冗余最大相关)方法挑出40个信息量最大、又互相不重复的特征，前面提到,其中九成来自滤波后的纹理层。
第三步是应对现实里的"物以稀为贵"。胰腺癌本身发病率很低,真实世界里,"正常人"的数量会远远超过"未来患者"。研究者特意把测试集的比例调成63名预诊断患者对430名对照,模拟出接近1:7的真实低患病率场景,刻意跳出训练集里常见的1:1"完美平衡"陷阱。为了不让模型在训练阶段被"多数派"带偏,他们用了SMOTE过采样技术,并且没有用单一分类器,而是把逻辑回归、随机森林、XGBoost三种模型的判断做软投票融合。
第四步,也是最实用的一步:阈值可调。模型最终吐出的,是一个0到1之间的连续概率分数，医院可以按自己的需求划定报警线,不必接受模型给出的单一结论。默认用Youden指数优化出一个平衡点(0.41),但医院完全可以在不重新训练模型的情况下,按自己的需求调整，如果是拿来做初步筛查,可以调低阈值,多抓一些疑似病例;如果是决定要不要做穿刺活检,可以调高阈值,减少不必要的伤害。
跨机构测试里,这套系统的特异性做到了81.3%(n=539);换到NIH公开的胰腺CT数据集上,特异性还有87.5%(n=80)。同一个病人多次复查的结果,90%到92%保持一致。换句话说,它不挑医院,也不挑机器。
▲ 论文《Next-generation AI for visually occult pancreatic cancer detection...》发表于《Gut》(BMJ旗下),2026年4月22日在线发表,通讯作者Sovanlal Mukherjee,资深作者Ajit Harishkumar Goenka。
医学教授Robert Lufkin在自己的X账号上转发了这项研究,把最抓人的几个数字做成了一张图卡,拿下4.4万浏览、394个赞:
"AI Sees Pancreatic Cancer 475 Days Before Doctors Do."
「AI在医生之前475天看到胰腺癌。」
▲ 医学院教授@robertlufkinmd 的总结帖,称这是"多年来见过最惊人的早期检测结果"。
别急着欢呼:数学不会说谎
看到这里,很容易觉得胰腺癌的春天要来了。但如果你去翻X平台下面的评论区,会看到一盆冷水正等着浇下来。
问题出在一个不太直观的统计学概念上:阳性预测值(PPV)。
胰腺癌在普通人群里的发病率非常低,大约每10万人里20到40例。如果把REDMOD原封不动地铺给所有人做筛查,哪怕敏感性有73%、特异性有81%,算出来的PPV可能低到只有0.18%左右，意味着系统标记出的555个"疑似"里,可能只有1个是真的患者。
剩下的554个呢?要么白白承受心理上的恐慌,要么被送去做进一步检查,其中一部分人还要接受超声内镜引导下的细针穿刺(EUS-FNA)。这项检查本身带有1%到2%的胰腺炎风险。
一旦把REDMOD铺开到几百万人的规模,这笔账单会变得非常吓人，不必要的下游检查、不必要的穿刺并发症、成本高到离谱。
这一点,Goenka团队心里跟明镜似的。他们的解法叫"队列富集"，把REDMOD严格限定在真正的高危人群里使用。
最典型的高危人群,是50岁以后新发的糖尿病(gNOD)患者,尤其是同时伴有体重下降的那批人。这类人群里,胰腺癌的3年发病风险能到1%甚至更高;如果ENDPAC评分达到3分以上,风险会跳到3%到4%,是普通人群的20倍。英国NICE指南已经建议对这类人群紧急做CT检查。
把REDMOD放在这个筛子后面用,PPV能提升到大约5.8%，和目前被广泛接受的肺癌低剂量CT筛查处在同一个数量级。而且这批人本来就因为糖尿病要做CT,REDMOD相当于是"顺手"再多看一眼,边际成本几乎为零。
除了PPV,还有几件事研究者自己反复强调:
这项研究目前还停留在回顾性验证阶段,前瞻性临床试验还没有走完。"提前发现"能不能真的转化为更早的分期、更高的手术切除率、更长的生存期,还需要实打实的数据来证明。 目前还没有在不同种族、族裔群体里做过充分验证，而新发糖尿病相关的胰腺癌风险,本身在不同人群间就存在已知差异。 存在"自动化偏倚"的风险:医生可能会不自觉地过度依赖AI给出的分数,需要专门的培训和覆盖标准来兜底。 REDMOD目前仍是研究工具,没有获得FDA批准用于临床决策或人群筛查。
针对这些悬而未决的问题,梅奥已经启动了名为AI-PACED的前瞻性可行性研究,招募高危新发糖尿病人群,做系列CT扫描加生物样本采集。研究设计里专门加了一道"防火墙":参与研究的放射科医生按常规方式独立读片,AI的判断跑在隔离的研究服务器上,不会进入电子病历,也不会影响当下的临床决策，先看清楚AI到底能带来多少提前量、制造多少假阳性负担,再谈下一步。
看到了终点线,还没跑到
《GI & Hepatology News》采访结束前,Goenka说了一句让人印象很深的话:
"In a disease where we have been just wandering in darkness for decades, this is a milestone that shows us the finish line, but we still have to get to the finish line."
「在这样一种让我们摸黑走了几十年的疾病面前,这是一个里程碑，它让我们看到了终点线,但我们还得真的跑到那里。」
摩菲特癌症中心的外科肿瘤学家Pam Hodul,没有参与这项研究,但她的评价毫不含糊:
"This really could be a game changer for us for early detection."
「这真的有可能改变我们早期检测的整个游戏规则。」
▲ Goenka博士接受《GI & Hepatology News》采访,详细解释REDMOD对新发糖尿病患者的临床意义。
这个故事最打动人的地方,并不只是"AI又赢了人类医生"这一层。
真正值得记住的是另一件事:美国每年要拍3000万到4000万次腹部CT。这些片子拍完、读完、归档,大多数人以为它们已经"物尽其用"。但梅奥这项研究说的是，这些已经躺在存储系统里的影像,可能藏着一整座还没被开采的早期诊断矿藏。
我们从来不缺数据,缺的是一双能读懂它的眼睛。
正如那条原帖的结尾写的:
"While the timeline burns on chatbots and ad rollouts, this is the version of AI that was always the point."
「当整条时间线都被聊天机器人和广告投放占据的时候,这才是AI一直以来真正该做的事。」
AI-PACED试验还要跑上三到五年,才能验证"提前16个月"最终能不能换来更多人的生还。但至少现在,那些曾被判定"正常"的CT,第一次被认真地重新读了一遍。