行业背景与挑战 - 癌症是全球重大公共卫生挑战，2022年数据显示全球新发癌症病例约2000万例，死亡约970万例，癌症负担仍在持续上升[5] - 早期筛查是降低癌症发病率与死亡率的关键，早期患者5年生存率显著高于晚期患者[5] - 传统“单癌种、单项目”筛查模式在时间、费用与医疗资源占用等方面成本较高，难以满足无症状人群规模化筛查的现实需要[2] - 探索兼具成本效益的“一扫多筛”多癌早筛新策略，是提升全民健康覆盖的重要方向[6] 技术突破与解决方案 - 研究团队构建了名为“OMAFound”的CT基础模型，首次实现了基于平扫CT的“一扫多筛”多癌筛查能力，可同步检测肺癌（全球男性发病率第一）和乳腺癌（全球女性发病率第一）[3] - 模型创新性引入“器官水平+个体水平”的双层风险评估体系，可在一次CT检查中综合评估个体总体癌症风险，用于识别高风险人群并实现高效分诊[9] - 平扫CT（非增强CT）成本低、获取便捷、可及性强，是“一扫多筛”的理想载体，但传统人工阅片流程繁琐且准确性难以保证[6] - OMAFound模型利用超过20万张CT数据进行预训练，采用自监督学习提取鲁棒的通用CT表征，随后结合标注数据进行精细化调优[7] 模型性能与验证结果 - 在多中心回顾性数据验证中，OMAFound在乳腺癌与肺癌筛查方面展现出可与现有主流筛查方案匹敌的性能：乳腺癌筛查效能接近基于钼靶的筛查体系，肺癌筛查效能接近基于低剂量CT的专用筛查体系[7] - 在一项覆盖超过2万人群的低剂量CT队列中，OMAFound在女性人群中实现了乳腺癌82.2%、肺癌88.0%的检测准确性；在男性人群中实现了肺癌86.1%的检测准确性[9] - 在OMAFound辅助下，资深放射科医生的敏感性获得显著提升：乳腺癌平均提升38.9%，肺癌提升16.0%，个体水平评估提升21.3%，同时特异性未受明显影响[9] - 该模型在预测性能上达到专用器官AI模型的水平，并在以高敏感性为核心要求的筛查场景中优于资深放射科医生[3] 临床价值与应用前景 - OMAFound模型对模型可解释性高度重视，其注意力可视化表征能够帮助医生（尤其是年轻医生）更快速聚焦潜在病灶区域，为机会性乳腺癌筛查提供支持，并增强临床使用的可理解性与可接受度[11] - 该研究为实现AI赋能的“一扫多筛”提供了切实可行的技术工具，有望推动“早发现、早诊断”的落地应用，具有重要的临床价值与社会意义[11] - 经济、便捷与高通量是癌症筛查的关键前提，该技术路径为更广泛的多癌筛查提供了新的解决方案[3][11]