[AI+医疗]大模型赋能常规CT：《自然·医学》发布胃癌“机会性筛查”新模型

作者


一次CT检查，一份隐藏的癌症预警：GRAPE模型重塑早期筛查范式

  • • 核心突破：一项发表于《自然·医学》的研究展示了一款名为GRAPE的AI模型，该模型能利用临床广泛使用的非增强CT（Non-contrast CT） 影像，实现大规模胃癌机会性筛查。
  • • 性能验证：在覆盖超1.8万病例的多中心验证中，模型展现出高诊断精度（AUC达0.927），并在与13名放射科医生的对比研究中表现更优。
  • • 真实世界证据：在覆盖近8万名患者的回溯性研究中，GRAPE不仅将高风险人群的胃癌检出率提升至12%以上（其中早期病例占23%-27%），并成功在一个案例中比临床确诊提前6个月识别出病灶。
  • • 技术价值：该技术的核心在于其 “机会性筛查” 能力，有望将海量存量医疗影像数据转化为癌症早期预警的工具，重塑公共卫生筛查策略。

核心创新：解锁非增强CT的潜力，实现“机会性筛查”

胃癌（Gastric Cancer, GC）是全球主要的致死癌症之一，其防治的关键在于早期诊断。早期胃癌的5年生存率超过95%，但进展期则急剧下降。这道由时间划下的“生死线”，凸显了早期筛查的紧迫性。

然而，作为金标准的胃镜检查，因其侵入性、成本和对专业资源的依赖，在大规模人群筛查中始终步履维艰。我们能否找到一种非侵入性、低成本且高效的筛查新范式？近日，发表在国际顶尖期刊 《自然·医学》 的一项研究给出了肯定的答案。

这项研究的核心突破在于，它将目光投向了医院里最常见的影像检查之一——非增强CT。研究团队开发的GRAPE模型，旨在将这些被“忽视”的数据变为“宝藏”。其核心理念是 “机会性筛查” ：在患者因任何原因接受腹部CT检查时，AI系统自动、同步地对胃癌风险进行分析。这种模式不产生额外检查成本，却能让每一次常规检查都成为一次潜在的癌症预警。

图1：GRAPE模型开发与验证概览。 该图展示了模型从开发、多中心验证，到真实世界研究的完整流程，体现了其从理论到实践的全链条设计。

AI技术解析：GRAPE如何实现高精度诊断

GRAPE的强大性能，源于其精巧的AI架构——一个两阶段、联合分类与分割的深度学习框架。

1. 两阶段架构：从定位到诊断

模型首先采用基于nnUNet的分割网络，如同精准的GPS，在整个3D腹部CT容积中自动识别并“裁剪”出胃部区域（ROI）。这一步至关重要，它能排除周围组织的干扰，让后续分析更具针对性和效率。

2. 联合学习：兼顾“是什么”与“在哪里”

裁剪出的胃部区域被送入一个双分支网络，协同工作：

  • • 分割分支 (Segmentation Branch)：扮演“现场勘查员”，以像素级的精度勾勒出可疑肿瘤的边界。
  • • 分类分支 (Classification Branch)：则像“首席分析师”，综合所有深层特征，输出一个最终的概率评分，判断患癌风险。

这种分类与分割联合学习的机制，不仅能回答“有没有风险”，还能直观地指出“风险在哪里”，为临床医生提供了可解释、可信赖的诊断依据。正如论文的 扩展数据附图1 (Extended Data Fig. 1) 所示，通过Grad-CAM技术生成的热力图，清晰地显示了AI的“注意力”与真实肿瘤位置高度重合，有力地驳斥了“AI黑箱”的疑虑。

图2：GRAPE的性能评估。 ROC曲线显示，模型在内部验证集（a）和外部验证集（c）中均表现出优异的诊断性能（AUC分别为0.970和0.927）。同时，其对不同分期（k）和位置（l）的肿瘤均有稳定的检出能力。

性能验证：数据驱动的客观评估

为检验GRAPE的真实能力，研究团队进行了多维度、大规模的验证。

  • • 多中心泛化能力：在包含16个中心的18,160例数据的独立外部验证中，GRAPE的AUC达到了0.927。扩展数据附图2 (Extended Data Fig. 2) 进一步证实了其强大的泛化能力，在各个独立中心均保持了高水平性能（AUC范围0.902-0.995）。
  • • 与人类专家对比：在一项涉及297份CT影像的读片研究中，GRAPE的表现（AUC 0.92）显著优于13位不同经验水平的放射科医生（AUC 0.76-0.85）。即使在AI辅助下，人类医生的平均表现也未能超越AI的独立判断水平。
  • • 实用性洞察：扩展数据附图3 (Extended Data Fig. 3)揭示了一个重要的临床细节：在胃部填充良好的情况下，GRAPE对早期胃癌（EGC）的检出敏感性比填充不佳时高出10.72%，为未来优化筛查流程提供了直接依据。

图3：读片研究对比结果。 该图直观对比了GRAPE（AI）、放射科医生独立诊断、以及AI辅助下医生诊断的性能。结果显示，GRAPE在准确性、敏感性和特异性上均有明显优势。

真实世界研究：临床价值的最终证明

模型最终的价值，在于它能否在真实的临床洪流中掀起波澜。研究团队对来自三家医院的78,593名患者的历史CT数据进行了大规模回溯性分析，结果令人振奋。

  • • 高检出率与早期发现：GRAPE识别出的高风险人群中，经后续确认的胃癌检出率达到了12.1%至24.49%。更重要的是，基于扩展数据表4 (Extended Data Table 4)的分析显示，这些病例中T1/T2期早期胃癌的比例分别达到了23.2%和26.8%，证明了该技术在发现可治愈阶段癌症方面的巨大价值。
  • • 提前预警的力量：研究中最具震撼力的发现，莫过于GRAPE的超前预警能力。在一个典型案例中，一名患者因肺部疾病定期随访CT，报告从未提示胃部异常。然而，当GRAPE回溯分析他6个月前的CT影像时，已成功识别出高风险病灶。而当这位患者在6个月后因腹部不适最终确诊时，癌症已进展至T4a期。这被AI“追回”的6个月，对一个生命而言，其分量不言而喻。

图4：真实世界筛查流程与案例（地区医院）。 展示了GRAPE在两家地区医院对超过4万名患者进行机会性筛查的流程，并识别出大量高风险病例。

图5：真实世界筛查流程与案例（癌症中心）。 展示了GRAPE在癌症中心的应用，并提供了一个成功提前6个月发现胃癌的实例，证明了其超早期诊断的潜力。

临床意义与未来展望

GRAPE模型的成功验证，对未来癌症筛查和AI医疗具有深远意义。

  • • 范式转变：它将癌症筛查从“主动专项检查”向“被动机会性发现”转变，能以极低的边际成本，极大化利用现有医疗数据，是实现大规模、经济高效的公共卫生干预的有效途径。
  • • 临床工作流优化：未来，AI可作为第一道防线，对所有腹部CT进行自动初筛，将高风险病例推送给医生复核，从而优化医疗资源分配，提升诊断效率。
  • • 技术可扩展性：该技术框架具备扩展潜力，未来可被训练用于检测胰腺癌、肝癌等其他腹部脏器疾病，最终实现 “一次CT，多癌筛查” 的宏伟目标。

当然，该研究也存在局限性，如其回溯性设计。未来需要大规模的前瞻性临床试验来进一步验证GRAPE在真实临床部署中的有效性和成本效益。

总而言之，GRAPE模型展示了AI技术如何挖掘常规医疗数据中的隐藏价值，解决临床痛点。它不仅为胃癌防治提供了新思路，也为AI驱动的预防医学开启了充满想象空间的新篇章。

推荐阅读

  • • 论文原文: AI-based large-scale screening of gastric cancer from noncontrast CT imaging：https://www.nature.com/articles/s41591-025-03785-6


（文：子非AI）

发表评论