食管癌长期以来一直是最难早期发现的恶性肿瘤之一。症状往往出现较晚，而现有的筛查工具难以大规模推广至全人群。2026年9月22日发表在《Nature Medicine》上的一项研究描述了这一局面可能发生的变化：一种人工智能模型能够在非增强胸部CT上检测出食管癌和癌前病变，而这类扫描在全球范围内已经进行了海量检查。
该模型名为Esophageal AI-Guided malignant Lesion Evaluation，简称EAGLE。其开发者将底层任务——在非增强计算机断层扫描上发现早期食管恶性肿瘤——描述为历史上被认为不可能完成的任务。他们的研究以DOI 10.1038/s41591-026-04656-4发表，报告了在数千名患者和三个国家十余个临床中心进行的训练和验证。
EAGLE试图弥合的筛查缺口
根据该研究的摘要，缺乏准确、无创且可扩展的筛查工具，使早期食管癌检测一直是一个持续的全球健康挑战。现有方法未能提供一种实用的大规模人群筛查途径，导致许多病例只有在症状出现后才被发现。
非增强CT似乎是显而易见的解决方案候选，因为这类扫描广泛可及，且常因肺部及其他胸部适应症而进行。但食管是一个难以攻克的目标。作为一个中空管状结构，它容易塌陷并产生运动伪影，而微小的早期恶性病变很难与正常组织区分。正是这种解剖结构和成像物理特性，使作者将检测任务描述为被认为遥不可及，而不仅仅是困难。
EAGLE正是为解决这一问题而构建：从胸部非增强CT图像中识别癌症和癌前病变。
大规模训练与验证
该研究的开发流程因其规模和地理覆盖范围而引人注目。EAGLE在来自两个中心的6,813名患者上进行了训练。随后在三个国家的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两种场景。
这两种场景很重要。机会性筛查意味着将模型应用于因其他临床原因已经拍摄的CT扫描，无需任何人接受新的检查。人群筛查则指邀请特定人群接受检测的有组织项目。因此，验证在类似真实筛查工具使用方式的条件下测试了该模型，而不仅仅是在精心整理的研究数据集中。
- 训练队列：来自两个中心的6,813名患者。
- 验证：三个国家的12个中心，涉及80,612名患者。
- 机会性筛查外部测试队列：八个中心，n = 11,466。
- 低剂量CT验证：两个中心，n = 1,607。
- 真实世界校准队列：三个中心，n = 35,402。
模型表现如何
在机会性筛查场景中，多中心外部测试队列——八个中心、11,466名患者——产生了98.5%的特异性。对于癌症，灵敏度达到90.0%。对于癌前病变，灵敏度为52.5%。
在低剂量CT上的验证——涵盖两个中心、1,607名患者——显示出与标准非增强CT结果相当的表现。这一发现意义重大，因为它表明食管癌筛查有可能叠加到肺癌筛查项目之上，而后者已经依赖低剂量CT，并且已经覆盖了大量人群。
研究人员还报告了在涵盖三个中心、35,402名患者的真实世界队列中的校准情况，这一步很重要，因为模型的区分度评分并不能保证其预测概率与常规实践中的观察结果一致。
仔细解读数字
这些头条数字值得仔细阅读。98.5%的特异性意味着在外部测试队列中，极少数无病人群会被标记——这是筛查中的关键特性，因为假阳性会带来焦虑、后续检查和成本。癌症90.0%的灵敏度表明该模型在该场景中捕获了绝大多数癌症。
癌前病变52.5%的灵敏度则讲述了一个更复杂的故事。顾名思义，癌前变化比浸润性癌症更早期、更细微，而在外部测试队列中，该模型漏掉了近一半。这并不抹杀该工具的潜在价值——识别出相当比例的早期可治疗病变仍可能改变结局——但这确实意味着，如所描述的，EAGLE并非一个完美的早期预警系统。
为何肺癌筛查项目在此至关重要
低剂量CT结果可能是该研究中最具实际意义的部分。肺癌筛查已经定期将高风险人群带入CT扫描仪。如果模型能够从同一批图像中提取食管癌信号，而无需额外辐射、造影剂或预约，那么增加这项检查的边际成本可能远低于从头建立独立的筛查路径。
作者将低剂量CT验证视为支持通过肺癌筛查项目进行食管癌筛查的依据。这既是一个技术论证，也是一个后勤论证：基础设施、患者群体和成像硬件都已到位。
该研究未能解决的问题
跨越三个国家的多中心验证是迈向泛化性的重要一步，但一些重要问题超出了单次验证研究所能回答的范围。该模型在实时筛查项目中的前瞻性表现如何，其输出如何与放射科医生的工作流程整合，以及所报告的特异性是否在不同风险特征的人群中保持一致，都是未决问题。
癌症灵敏度与癌前病变灵敏度之间的差距也指向一种设计上的权衡。一个能够可靠标记浸润性疾病的工具即使更多地作为现有诊断路径的补充而非独立过滤器，仍可用于分诊。
这项工作更大的意义在于概念层面。如果非增强胸部CT——一种已嵌入常规护理的影像检查——能够携带有关食管恶性肿瘤的可用信息，那么问题就从筛查在技术上是否可能转变为如何部署、监测和长期验证这样的模型。EAGLE为第一个问题提供了早期的大规模答案，并为后续问题提供了详细的议程。
本文基于《Nature Medicine》的报道。阅读原文。
Originally published on nature.com
