王奇峰团队与阿里达摩院等发布食管癌AI模型EAGLE,基于非增强CT识别早期与癌前病变
Nat Med:王奇峰等多团队合作发布食管癌AI模型,“不插管”发现早期和癌前病变
四川省肿瘤医院王奇峰、阿里巴巴达摩院张灵等合作在 Nature Medicine 在线发表研究,开发食管AI引导恶性病变评估(EAGLE)模型,从胸部非增强CT中检测食管癌与癌前病变。
模型在3个国家12个中心、逾8万名受试者中的验证数据,可供评估非增强CT用于食管癌机会性筛查的可行性。
准确、无创、可扩展的筛查工具的缺乏,使早期食管癌(EC)检测成为一个全球健康挑战。尽管非增强计算机断层扫描(NC CT)广泛可及,但食管是一种中空管状结构,易发生塌陷和运动伪影,使得小的早期恶性病变难以与正常组织区分。
2026年9月22日,四川省肿瘤医院王奇峰,赵宇倩,阿里巴巴达摩院张灵,上海市胰腺疾病研究所曹凯,中山大学谢传淼,睢宁县人民医院Na Li,温州医科大学纪建松和合肥国家综合科学中心人工智能研究所Dingwen Zhang共同通讯在Nature Medicine 在线发表题为“Large-scale esophageal cancer screening through noncontrast computed tomography and artificial intelligence”的研究论文。该研究开发了食管AI引导恶性病变评估(EAGLE)模型,以从胸部NC CT中检测癌前病变和癌症——这一任务历史上被认为是不可能的。EAGLE在两个中心的6,813名患者上进行了训练,并在三个国家的12个中心进行了验证,涉及80,612名患者,涵盖机会性筛查和人群筛查环境。
对于现有CT扫描上的机会性筛查,多中心外部测试队列(八个中心,n=11,466)达到了98.5%的特异性,癌症灵敏度为90.0%,癌前病变灵敏度为52.5%;低剂量CT(LDCT)验证(两个中心,n=1,607)显示出可比较的性能,支持通过肺癌筛查项目进行EC筛查。在真实世界队列(三个中心,n=35,402)中的校准将假阳性减少了72.7%,同时保持了灵敏度;前瞻性医院验证(n=17,446)达到了42.2%的PPV,真实世界低剂量筛查(n=10,959)达到了99.94%的特异性。EAGLE还检测到了癌前病变——在配对的CT-内镜队列(两个中心,n=702)中,在较高灵敏度操作点,癌前病变的灵敏度为65.0%,I期EC为78.4%。对前瞻性入组队列的探索性分析提示,将高风险个体转诊进行内镜检查可能提高筛查效率。总之,EAGLE有潜力作为早期EC筛查的可扩展工具。

食管癌(EC)是全球最常见的消化道癌症之一,2022年估计有511,000例新发病例和445,000例死亡。EC包含两种主要的组织学亚型,即食管鳞状细胞癌(ESCC)和食管腺癌(EAC),两者在危险因素、解剖位置和地理分布上存在显著差异。它仍然是一个关键的全球健康问题,其特征为高死亡率,原因在于诊断时多处于晚期以及缺乏正式的筛查项目。尽管过去几十年EC的预后有所改善,但生存率仍不令人满意,5年总生存率在中国为36.9%,在美国为18.5%。虽然基于高危人群的内镜筛查为中国EC的早期检测和干预做出了重大贡献,但其侵入性和低依从性使其不适用于全球无症状人群的大规模筛查,特别是在缺乏足够内镜基础设施的国家和地区。非内镜方法,如液体活检和海绵细胞学,已被评估用于EC筛查,但早期癌症的中等灵敏度、高昂费用以及需要多次就诊的负担,对其广泛实施构成了挑战。一种准确、无创、成本效益高且快速的全球EC筛查工具仍然是一个未解决的临床问题。
非增强计算机断层扫描(NC CT)是常规临床就诊和体检中广泛使用的医学成像方案,具有无创、成本效益高和快速的特点。然而,即使在经验丰富的放射科医生看来,在NC CT上识别食管恶性肿瘤也具有挑战性,这主要是因为早期食管恶性病变可能极其微小,通常局限于上皮层(高级别上皮内瘤变,HGIN)或仅侵犯黏膜或黏膜下层(I期)。此外,食管是一种胸部器官,具有长而窄的管状结构,因此常受生理性塌陷影响,并易受心脏和大血管运动的影响,使得细微病变难以与正常组织区分,限制了CT用于EC筛查的效用。与此一致,近期一项研究揭示,大多数死于EC的个体在其死亡前5年内的胸部NC CT报告中未记录到可疑的食管发现。人工智能(AI)的近期进展表明,数据驱动模型可以检测医学图像上的细微病变,并突显了AI方法改善癌症筛查的潜力,为NC CT上的早期EC检测提供了一条途径。实现EC筛查可能为胸部NC CT扫描(占所有CT检查的40%)开辟新的可能性,这些扫描已覆盖整个食管,包括临床就诊期间获得的常规剂量CT和用于肺癌筛查项目的LDCT。特别是,鉴于LDCT肺癌筛查现已在全球范围内开展,且吸烟是肺癌和EC的共同危险因素,将EC检测整合到LDCT工作流程中可能实现一次扫描、多癌种筛查的范式,而无需额外的成像程序。同时,LDCT因图像质量较低和噪声增加,为食管病变检测引入了额外一层的难度。

图1.EAGLE开发、验证和临床整合框架概述(摘自Nature Medicine )
在本研究中,作者提出了食管AI引导恶性病变评估(EAGLE),一种新的AI模型,其不仅识别EC,还检测恶性癌前病变(HGIN)。这一能力支持AI从机会性发现扩展到积极的基于人群的预防——它不仅在机会性识别标准治疗(SOC)遗漏的恶性肿瘤方面达到高准确性,还提高了基于人群的内镜筛查效率。对于“机会性筛查”,EAGLE在高特异性下运行,多中心阅片者研究表明它显著增强了放射科医生识别早期癌症的能力,同时降低了假阳性(FP)率;跨三个国家的大规模多中心外部验证证实了其在医院场景中的泛化性。
模拟训练策略在LDCT队列中证明了与常规剂量扫描相当的特异性和灵敏度;大规模真实世界研究重新校准了模型以显著降低FP率而不牺牲灵敏度,在连续体检LDCT队列中确认了极高的特异性,并在前瞻性医院验证中展示了临床理想的阳性预测值(PPV)。EAGLE还显示出提升现有“基于人群的内镜筛查项目”的潜力,在此它在高灵敏度阈值下运行以最小化漏诊癌症的风险——作者回顾性评估了在两个外部中心接受内镜筛查个体的NC CT扫描性能,并将EAGLE整合到前瞻性入组高危队列的标准内镜筛查工作流程中,其中模拟分析提示使用EAGLE进行内镜检查前风险分层可显著减少不必要的内镜操作,同时保持癌症检测,从而提高当前内镜筛查项目的检出率和覆盖率。
参考消息:https://www.nature.com/articles/s41591-026-04656-4
版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
来源:生物谷·资讯 · news.bioon.com