四川省肿瘤医院放疗科主任医师王奇峰曾接诊过一位食管癌患者。就诊时，患者已经进食困难。回溯既往病历发现，两年前他因肺炎住院，并接受过胸部CT检查。当年的影像显示，食管壁似乎已有一处异常增厚，当时并未被标记。两年后，这一线索发展成影响进食的临床症状。
那张CT一直保存在医院的信息系统中，但其中与食管有关的信息，没有进入任何一段后续诊疗流程。这个案例带出一个具有普遍意义的问题。一张已经完成的医学影像，除了服务最初的检查目的，还能不能提供更多有价值的信息？
医学影像的价值，不止于最初的检查。
CT并不只服务于某一个器官。一次扫描记录下的，通常还包括扫描范围内其他组织结构的信息。过去，医生的阅片重点依据临床申请单而定，片子上其余的信息很少被系统性分析。
人工智能（AI）正在改变这种状况。随着AI技术的发展，研究者开始尝试从常规CT中提取更多临床信息。近年来，研究者尝试从常规CT中提取更多临床信息，涉及肺部疾病、心脑血管风险以及多种肿瘤的辅助识别。达摩院联合四川省肿瘤医院等机构开展的食管癌AI研究，正是这一方向的探索，用常规平扫CT识别食管癌及癌前病变的风险。
医学影像科 资料图
这类模型输出的是风险提示，而非临床诊断结论，也不适用于所有患者和所有CT影像。它的作用，是提示医生哪些病例值得进一步核查。
从技术角度看，任务并不轻松。食管属于空腔脏器，容易塌陷，周围紧贴心脏与大血管，早期病变在常规影像上表现不突出。达摩院算法专家郭广宇曾把这比作“在一条皱巴巴的裤管上寻找一个小毛球”。对非专门为筛查食管而拍的影像，要从复杂背景中辨认细微异常，本身就不容易。
但识别只是起点。一张CT能提供多少信息，取决于AI能识别什么，更取决于这些信息能否被进一步利用。这正是医疗AI研究从影像分析走向临床落地时，需要面对的问题。
复用已有影像，
绕不开系统性门槛
从既有影像中挖掘更多风险信号，本质是对医疗资源使用方式的重新审视。一次已经完成的检查若能提供更多线索，患者可以少做一次检查，医疗资源也能得到更充分的利用。但线索要真正发挥作用，还要迈过若干道门槛。
达摩院此前还围绕胰腺癌、胃癌等疾病开展过同类CT影像研究。病种不同，思路一致，都是不增加影像检查，只对已经获得的影像做二次分析。
这类研究并不以替代临床诊疗为目标，它要搞清楚的是，AI如何在既有的影像资源和诊疗流程中发挥作用。传统筛查依赖专门设备、专业人员和患者主动就医；对常规CT做AI分析，则可能把一部分风险识别能力，放进已经发生的诊疗过程。
山东莒县人民医院AI自动检出肺小结节
对基层而言，这种探索尤其有价值。食管癌高发地区与优质内镜诊疗资源的分布并不总是一致；基层和农村患者前往大型医院不便，复杂早癌的识别经验也多集中在城市医院。如果AI能从常规影像提示潜在风险，基层医疗机构就可能更早发现需要进一步检查的患者。
不过，技术上的进展并不能自动解决基层医疗的结构性短板。软件接入、数据流转、基层医生的理解与复核能力，每一项都直接影响技术的实际效果。复用已有影像也不是零成本，系统建设、数据治理、模型维护，以及跨设备、跨人群的泛化验证，都需要持续投入。研究成果只有与临床流程结合，才可能真正用起来。
从风险提示到患者获益，
尚有长路要走
从影像中的风险提示到患者获得诊断与治疗，中间还有若干环节。医生要判断提示是否有临床意义并向患者解释，患者要理解风险并选择是否接受进一步检查，医疗机构要提供内镜、病理与后续治疗，不同医院之间还需要转诊衔接。任何一个环节不畅，识别出的异常都可能停在系统提示层面，无法转化为诊疗行动。
医疗AI的问题不止于算法，临床流程与医疗资源配置同样影响它的成效。技术打开了发现风险的入口，入口之后还需要完整的医疗体系承接。评价一项医疗AI研究，既要看识别能力，也要看它是否符合真实临床需求、能否融入工作流程、能否降低患者的诊疗门槛。只有算法能力、医生判断、患者选择与制度保障彼此衔接，技术才可能转化为实际的医疗服务能力。
自贡市第一人民医院新建院区的一体化智能采血、智能分析、智能决策系统，实现全流程智慧化转型。
影像提示不等于诊断，诊断也不等于治疗。机器在屏幕上多标记一个异常，只完成“看见”的前半段；标记真正进入诊疗流程、作用于具体患者，才算完整的“看见”。
从更长的时间尺度看，AI医疗正从单点探索走向研究、验证与临床转化并行推进。相关文献研究显示，在AI医疗器械研究领域，中国发文量位居全球前列，近年围绕医学影像、疾病筛查与辅助诊疗开展了大量研究；AI医疗器械的注册审评、应用规范与标准也在逐步完善。实现医疗普惠，既需要算法持续演进，也依赖医疗制度的配套完善，这是一项需要长期积累的工作。
作者：潘禹辰 中国人民大学信息资源管理学院副教授
图源：南京发布、新华网
文章原文
