利用无对比增强CT进行乳腺和肺癌筛查的基础模型

为何“一次扫描筛查两种癌症”很重要

癌症筛查通常像是一系列独立的检查：一项针对肺部，另一项针对乳房，每项都增加了时间、费用和额外的辐射。本研究探讨了另一种思路——是否可以用一次常见的胸部CT扫描，在人工智能（AI）的帮助下同时默默筛查肺癌和乳腺癌。如果可行，这种方法可以把常规扫描变成一层双重安全网，特别适用于患者量大且资源有限的医院和地区。

一种新型的数字癌症侦察器

研究人员开发了一种名为OMAFound的AI系统，能够“阅读”三维胸部CT影像。与传统仅针对单一器官训练的工具不同，该系统首先在超过20万份未标注的影像（来自5.8万多名受检者）上进行学习，仅仅通过观察掌握健康与病变胸部的一般图像特征。这种广泛的预训练使AI能捕捉整个胸部范围内的细微模式。团队随后加入较小的、有标签的数据集，标明每位患者最终是否确诊为乳腺癌、肺癌或均无癌，从而将模型的通用影像理解转化为具体的癌症预测。

教会一个系统同时关注两处器官

在共享的影像阅读核心之上，团队构建了两个专注分支：一个针对乳腺癌的征兆，另一个针对肺癌的征兆。他们在来自多家中国医院和国际数据集的超过15万名患者的CT影像上训练并测试这些分支。针对乳腺癌，研究者还建立了一个单独的AI系统来读取作为当前标准筛查工具的乳腺X线摄影（乳腺造影），以便在相同受检女性中公平比较基于CT的AI与既有实践。在对比测试中，对于同时拥有两类影像的女性，乳腺X线AI总体上略微更准确，但基于CT的乳腺分支灵敏度更高——能发现更多癌症——而乳腺X线在避免误报方面表现更好。

从器官级发现走向整个人的结论

孤立地查看各个器官可能会产生误导：如果双方分支都显示“可能有癌”，直接结合可能会不现实地提示同一人有两个独立肿瘤。为避免这种情况，研究者创建了第三个AI模块，融合同一CT扫描中乳腺和肺部视角的信息，判断患者整体是否可能患有癌症。这种以患者为中心的视角更符合临床真实情形——人群中若有癌症，通常更可能只有一处。在测试集中的女性里，这一组合策略在灵敏度与控制假阳性之间取得了最佳平衡——优于简单双参数数学合并器官级输出的方法。

在真实筛查场景中测试该系统

为了评估OMAFound在实验室外的表现，团队在四家医疗中心进行了一项前瞻性研究，随访了超过2.1万名接受低剂量胸部CT筛查的人群。在男性（仅与肺癌相关）中，该系统在癌症检测与误报之间取得了约86%的均衡准确率。在女性中，系统在乳腺癌检测上达到了约82%的均衡准确率，肺癌约为88%，而在判断女性是否患有任一癌症时约为83%。研究者还邀请了七位全科放射科医师阅读一组具有挑战性的影像样本，先独立阅读，再在获得OMAFound的风险评分和高亮关注区域热图后重新阅读。借助AI，放射科医师识别癌症的能力显著提高——尤其是对乳腺肿瘤——而对非癌病例的过度诊断倾向并未增加。

这对日常医疗意味着什么

总体而言，研究表明，已广泛用于肺部筛查的一次低剂量胸部CT，在配合强大的AI系统时，也可以提供附加的乳腺癌筛查能力。OMAFound并不替代乳腺X线检查或专家判断，但它可以更早标记高风险人群，帮助工作繁重的临床医生将注意力集中在最需要的地方。通过将一种常见扫描转变为多癌种的侦查工具，该方法指向了更高效、更易及更有潜在救治效果的筛查方案，而无需增加额外检查、费用或辐射暴露。

引用: Liang, Z., Niu, Q., Wang, J. et al. A foundation model for breast and lung cancer screening using non-contrast computed tomography. Nat. Health 1, 403–415 (2026). https://doi.org/10.1038/s44360-026-00055-8

关键词: 多癌种筛查, 低剂量CT, 乳腺癌, 肺癌, 医学人工智能