Nature子刊：非增强胸部CT联合AI，或为食管癌早期筛查提供新路径

GLOBOCAN 2022估计全球食管癌新发约51.1万例、死亡约44.5万例^[3]。食管癌主要包括鳞状细胞癌和腺癌，两者在危险因素、解剖部位和地域分布上存在差异。中国食管鳞癌和腺癌的5年相对生存率分别为36.9%和34.8%，美国分别为18.5%和22.3%^[4,5]。中国已在高危地区开展人群内镜筛查，但系统综述显示实际筛查的依从性和阳性检出率仍存在差异^[6]。若能利用既有胸部CT完成初步风险分层，再将高风险人群转诊内镜，或可在不增加额外影像检查的情况下扩大覆盖面。

研究团队在中山大学肿瘤防治中心和四川省肿瘤医院收集6813例NC CT用于训练（264例HGIN、548例Ⅰ期、2932例Ⅱ~Ⅳ期、3069例阴性对照）^[2]。EAGLE采用两阶段结构：先在三维CT中定位食管，再同时完成病灶分割和患者层面恶性风险预测，并输出病灶分割和分类热图。不同场景采用不同阈值——一般临床人群以较高特异度为目标以减少假阳性，内镜筛查前风险分层以较高敏感度为目标以尽量减少漏诊。

内部测试（2500例）AUC 0.991、敏感度89.4%、特异度99.3%；中国、捷克和澳大利亚8中心外部验证（11466例）AUC 0.976、敏感度89.5%、特异度98.5%。按病变类型，外部队列对HGIN、食管癌和Ⅰ期食管癌的敏感度分别为52.5%、90.0%和60.1%，提示模型对浸润性癌识别能力较高，对癌前病变和早期病变仍有限^[2]。在1607例LDCT中，当运行点设为约99%特异度时，低剂量模拟策略模型总体敏感度88.4%，高于原始模型的83.0%，提示食管癌识别有望嵌入现有肺癌LDCT筛查流程^[2,7]。

研究团队利用部署中发现的复杂病例校准形成EAGLE-Plus，在14644例队列中将假阳性由432例降至118例（减少72.7%），阳性预测值由25.3%升至55.0%，敏感度保持相近（89.6%对88.3%）^[2]。在300例、4中心、17名放射科医生参与的阅片研究中，医生单独阅片敏感度71.9%、特异度79.6%，获得EAGLE的病灶定位和风险提示后分别升至85.7%和91.7%，差异均有统计学意义。作者指出，模型独立表现不能直接等同于人机协同效果，EAGLE更适合被定位为提醒和决策支持工具，而非自动替代放射科医生^[2]。

在702例同时接受NC CT和内镜的外部队列中，EAGLE的AUC 0.932、敏感度90.2%、特异度84.7%，对HGIN、食管癌和Ⅰ期食管癌敏感度分别为65.0%、92.2%和78.4%。在结合重采样构建的模拟队列中，直接内镜检出率为1.7%，先经EAGLE分层后升至5.2%，理论上约67.6%的内镜检查可被避免^[2]。在17446例前瞻性医院验证中，EAGLE-Plus生成90例阳性预测，其中38例确认为食管癌或HGIN，阳性预测值42.2%，对食管癌敏感度87.8%；在10959例真实世界LDCT体检人群中仅8例阳性，1例确诊食管癌，特异度达99.94%^[2]。

训练和验证数据主要来自中国，尽管纳入捷克和澳大利亚外部数据，国际人群泛化能力仍需验证；模型对HGIN和Ⅰ期食管癌敏感度低于总体食管癌，提示对极早期和表浅病变存在盲区；内镜前分层证据主要来自回顾性配对队列和含模拟成分的探索性分析，阳性病例有限；医院前瞻性与LDCT验证随访不足2年，部分AI阳性者未完成内镜，真实敏感度可能被低估；阅片研究虽设洗脱期并随机排序，但无完整交叉设计，记忆偏倚难以完全排除^[2]。

该研究开发并验证了EAGLE，显示人工智能有可能从常规NC CT和LDCT中识别食管癌及部分癌前病变：外部验证对食管癌敏感度90.0%、特异度98.5%，前瞻性医院验证阳性预测值42.2%，真实世界LDCT队列特异度99.94%，同时可改善放射科医生阅片表现并提高内镜筛查效率。其最现实的定位是常规CT和LDCT的机会性筛查工具及内镜前风险分层工具；能否进一步降低食管癌死亡率仍需更大规模、更长随访的前瞻性研究。临床上，AI阳性仍应经专科评估、内镜和病理确认，AI阴性也不能替代基于症状、危险因素和指南的临床判断^[2]。