模型开发与训练
构建可从NC CT识别食管恶性病变的两阶段AI模型
使用两个中心6,813例患者的NC CT扫描训练EAGLE，采用nnU-Net V2框架，第一阶段分割食管，第二阶段联合分类与分割，以体素级标注（食管和恶性病变）进行监督。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
通过平扫计算机断层扫描和人工智能进行大规模食管癌筛查
Large-scale esophageal cancer screening through noncontrast computed tomography and artificial intelligence
实验完整度
高多中心训练与外部验证队列、前瞻性验证、读者研究及真实世界LDCT队列，含功能与机制验证。
主要模型
多中心NC CT患者队列（训练6,813例） 多中心外部验证队列（12中心，80,612例） 真实世界LDCT筛查队列（10,959例） 前瞻性内镜筛查队列（530例）
重点核对
训练集：两个中心6,813例患者，包含HGIN、I期及II–IV期EC和阴性对照 外部测试集：八个中心11,466例，含40例HGIN、363例I期、2,404例II–IV期和8,654例阴性对照 操作阈值：机会性筛查设定交叉验证特异性99%（EAGLE阈值0.93，EAGLE-Plus阈值0.88）；人群筛查设定敏感性98% 前瞻性医院验证：2025年1月1日至4月30日，17,446例，随访至2026年7月31日 读者研究：17名放射科医生，300例NC CT，洗脱期≥3个月
摘要
缺乏准确、无创、可扩展的筛查工具使食管癌（EC）的早期检测成为全球健康挑战。尽管平扫计算机断层扫描（NC CT）广泛可及，但食管是易塌陷和受运动伪影影响的中空管状结构，使得小的早期恶性病变难以与正常组织区分。在此，我们开发了食管人工智能引导的恶性病变评估（EAGLE）模型，用于从胸部NC CT检测癌前病变和癌症，这一任务历来被认为是不可能的。EAGLE在两个中心的6,813名患者上训练，并在三个国家的12个中心涉及80,612名患者的机会性筛查和人群筛查设置中验证。对于现有CT扫描的机会性筛查，多中心外部测试队列（八个中心，n=11,466）达到98.5%的特异性，癌症敏感性为90.0%，癌前病变为52.5%；低剂量CT（LDCT）验证（两个中心，n=1,607）显示出可比性能，支持通过肺癌筛查项目进行EC筛查。在真实世界队列（三个中心，n=35,402）中的校准将假阳性降低了72.7%同时保持敏感性；前瞻性医院验证（n=17,446）达到42.2%的PPV，真实世界低剂量筛查（n=10,959）达到99.94%的特异性。EAGLE还检测到癌前病变——在配对CT-内镜队列（两个中心，n=702）中，在较高敏感性操作点下，癌前病变的敏感性为65.0%，I期EC为78.4%。对前瞻性入组队列的探索性分析表明，将高风险个体转诊进行内镜检查可以提高筛查效率。总之，EAGLE有潜力作为早期EC筛查的可扩展工具。Chictr.org.cn标识符：ChiCTR2300074806。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否利用平扫CT和人工智能模型准确、无创、可扩展地检测食管癌及癌前病变，并适用于机会性筛查和人群筛查场景？
- 核心机制
- EAGLE为两阶段深度学习模型，第一阶段定位食管，第二阶段联合分类与分割分支，输出恶性概率、病变分割掩码和类激活热图；通过体素级标注监督学习NC CT上的细微恶性征象。
- 主要证据
- 多中心外部验证（八中心，n=11,466）AUC 0.976、敏感性89.5%、特异性98.5%；LDCT验证（n=1,607）敏感性88.4%；真实世界校准使假阳性降低72.7%；前瞻性医院验证PPV 42.2%；配对CT-内镜队列（n=702）癌前病变敏感性65.0%、I期EC 78.4%。
- 研究意义
- EAGLE有潜力作为可扩展的早期食管癌筛查工具，支持将食管癌筛查整合到现有LDCT肺癌筛查和体检流程中，并可作为内镜筛查前的风险分层工具。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
内部与外部机会性筛查验证
评估模型在机会性筛查场景下的诊断性能和泛化能力
在内部测试队列（2,500例）和八个外部中心队列（11,466例）中评估EAGLE的AUC、敏感性和特异性，并按HGIN/EC、TNM分期、组织学亚型、病变位置、性别和BMI进行亚组分析。
LDCT验证与模拟训练
评估模型在低剂量CT上的性能，并验证低剂量模拟训练策略的效果
收集147例食管恶性肿瘤和1,460例阴性对照的LDCT扫描，使用低剂量模拟工具从训练集生成模拟LDCT数据训练EAGLE with LDCT simulation模型，并与原始EAGLE比较。
读者研究
评估EAGLE辅助放射科医生识别食管恶性病变的能力
17名放射科医生分两轮（间隔至少3个月洗脱期）对300例NC CT进行盲法判读，第一轮独立判读，第二轮在EAGLE辅助下判读，比较单独读者、单独EAGLE和读者+EAGLE的敏感性、特异性和AUC。
真实世界模型校准与验证
降低真实世界机会性筛查中的假阳性率，并验证校准后模型EAGLE-Plus的性能
在三个中心35,402例连续患者中，使用RW1队列（20,758例）的困难病例对EAGLE进行微调得到EAGLE-Plus，并在RW2队列（14,644例）中评估假阳性减少、PPV和敏感性变化。
前瞻性医院验证
评估EAGLE-Plus在真实临床环境中的PPV、敏感性和AI触发转诊率
EAGLE-Plus整合入DAMO MED系统，前瞻性分析2025年1月1日至4月30日期间17,446例常规NC CT，AI阳性病例由MDT审核，随访至2026年7月31日确认结局。
真实世界LDCT筛查验证
评估EAGLE-Plus在真实世界LDCT体检人群中的特异性和PPV
回顾性纳入2024年7月1日至12月31日在SIPD接受LDCT的10,959例45–75岁连续体检者，EAGLE-Plus阳性病例由MDT审核初始报告和临床记录，随访至2026年7月31日。
人群内镜筛查中的风险分层验证
评估EAGLE作为内镜筛查前风险分层工具的性能和效率提升
在配对NC CT-内镜外部队列（n=702）中评估EAGLE的敏感性和特异性；在前瞻性入组队列（530例）中模拟EAGLE风险分层策略，比较检测率和内镜效率。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 影像标注与读者研究 | DAMO MED标注系统 | -- | -- |
| 模型训练与开发 | nnU-Net V2 | -- | -- |
| 内镜筛查 | 卢戈氏溶液（1.2%） | -- | -- |
| 数据分析 | Python v3.9.19 | -- | -- |
| scikit-learn v1.4.2 | -- | -- | |
| NumPy v1.26.4 | -- | -- | |
| SciPy v1.13.0 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 模型训练 | 训练集样本量及组成：6,813例（264例HGIN，548例I期，2,932例II–IV期，3,069例阴性对照）；来源中心：SYSUCC和SCCH 阅读提示：Methods—Training data / Internal training cohort；Extended Data Table 1 |
| 外部验证 | 外部测试队列：八个中心11,466例，含40例HGIN、363例I期、2,404例II–IV期和8,654例阴性对照 阅读提示：Methods—External multicenter test cohort；Fig. 2b |
| 操作阈值选择 | 机会性筛查：交叉验证特异性99%，EAGLE阈值0.93，EAGLE-Plus阈值0.88；人群筛查：交叉验证敏感性98% 阅读提示：Methods—Operation point and threshold selection |
| 前瞻性医院验证 | 入组时间2025年1月1日至4月30日，样本量17,446例，随访截止2026年7月31日，主要终点PPV 阅读提示：Methods—Prospective validation in hospital；Extended Data Fig. 4 |
| 读者研究 | 读者数量及构成（17名：3名专科、6名普通、8名住院医师），病例数300例，洗脱期≥3个月，随机顺序 阅读提示：Methods—Reader study；Supplementary Table 1 |
| 人群内镜筛查风险分层 | 前瞻性入组队列530例；模拟采用HGIN:EC=2:1比例，重采样3例EC，重复1,000次；阈值设定交叉验证敏感性98% 阅读提示：Methods—Population-based endoscopic screening；Fig. 5e |