肺癌至今仍是全球癌症相关死亡的首要死因，每年夺走约 180 万人的生命。诊疗的核心难点在于早期筛查的“隐匿性”：在疾病初期，癌变组织通常表现为极其微小的结节，即使是经验丰富的放射科医生，也很难在复杂的肺部纹理中将其与健康组织区分开来。
近日，发表在《科学报告》（Scientific Reports）上的一项研究显示，立陶宛考纳斯理工大学（KTU）的研究团队开发出一种新型人工智能（AI）系统。该系统能够高度模拟人类医生的临床阅片思维，通过同步分析微观细节与宏观背景，将诊断准确率提升至 96% 以上。
技术突破：终结“局部放大”与“全局观察”的反复切换
在传统的临床阅片过程中，放射科医生需要不断在两种视角间频繁切换：既要“变焦”观察可疑结节的边缘毛刺或内部纹理，又要“广角”审视该区域在整个肺部解剖结构中的空间位置。
现有的 AI 辅助诊断系统往往存在功能单一的局限，通常只能捕捉细微细节或宏观结构中的一种，难以兼顾。KTU 研究员、系统开发者之一的 Inzamam Mashood Nasir 解释道，新系统采用了创新的双路并行分析架构（Dual-approach）：
-
微观特征分支： 专注于肺部的极细微特征，如微小斑点（Tiny spots）或复杂的局部纹理。
-
宏观上下文分支： 负责审视图像的整体轮廓，理解病灶所处的整体解剖学背景。
该系统无需像人类医生那样在视角间手动切换，而是同步执行这两项任务。“这就像是同时拥有一台高倍放大镜和一幅实时更新的全景视图，”Nasir 形容道。
临床反馈：超 96% 准确率与显著降低的“假警报”
研究团队利用涵盖健康受试者、良性结节及恶性肿瘤患者的大型 CT 影像数据库对模型进行了训练。结果显示，该系统在识别病理属性方面表现出卓越的稳定性（Stable performance）。
其准确率超过 96%，不仅在性能上优于现有的多种算法，更重要的是，它在大幅减少漏诊的同时，显著降低了误诊率（False alarms）。对于患者而言，这意味着能更早地锁定处于早期阶段、预后更好的肿瘤，同时避免了因误诊导致的重复检查与心理负担。
临床应用与跨领域潜力
尽管该系统在实验室环境下表现优异，但研究人员强调，目前的模型仍需在更大规模、更多样化的真实世界数据集上进行验证。下一步工作将聚焦于测试系统在面对不同型号扫描仪、不同成像协议及不同族群患者时的鲁棒性（Reliability）。
Inzamam Mashood Nasir 指出，这种模拟人类思维的“双路架构”具有极强的迁移潜力。任何需要兼顾局部细节与全局背景的医学影像任务——如脑肿瘤分割、乳腺癌筛查或复杂眼底疾病检测——都可能从这一模型架构中获益。
随着临床验证的深入以及与现有医疗系统的无缝整合，这种 AI 技术有望成为医生的可靠“第二意见（Second opinion）”，尤其在医疗资源紧张、阅片负荷较重的环境下，协助医生在毫厘之间精准捕捉早期的癌症信号。
参考文献：Samia Nawaz Yousafzai et al, A hybrid deep learning approach integrating CNN and transformer for lung cancer classification using CT scans, Scientific Reports (2026). DOI: 10.1038/s41598-026-41161-7
编辑：王洪
排版：李丽
评论 (0)