陈万青教授团队npj Digital Medicine发文：AI不应只是多癌早检的“助推器”，而应成为下一代癌症筛查的“基础设施”

一、多癌早检：癌症筛查的“下一站”，但瓶颈犹存

当前，全球癌症负担持续加重。2022年GLOBOCAN数据显示，全球新发癌症病例近2000万，癌症已上升为多数国家的主要死因之一。传统癌症筛查体系长期以单癌种专项筛查为主——乳腺X线摄影查乳腺癌、低剂量CT查肺癌、肠镜检查查结直肠癌、HPV检测查宫颈癌。这类策略在高收入国家已显著降低部分癌种死亡率，但其局限性同样突出：覆盖面窄、依从性参差不齐、操作依赖资源密集，且对多种缺乏有效单癌筛查手段的恶性肿瘤（如胰腺癌、卵巢癌、肝癌）几乎无能为力。

多癌早期检测（MCED）技术的崛起，提供了一条截然不同的路径。它通过单次抽血，利用循环肿瘤DNA（cfDNA）甲基化、片段组学、蛋白质标志物等多维度信号，可同时覆盖数十种癌症类型，且对I-II期早期病变同样具有检出能力。相比传统手段，MCED采样便捷、人群接受度高，在大规模组织性筛查中展现出显著的成本效益潜力。

目前，全球已有多项MCED产品进入关键临床验证阶段：英国NHS-Galleri试验正在进行大规模随机对照研究；美国PATHFINDER2研究初步数据显示总体灵敏度约40.4%；中国ProSight、CANSCAN等项目也在前瞻性队列中积累本土证据。然而，挑战依然严峻——灵敏度尚需提升、组织溯源定位精度待加强、阳性结果后临床管理路径尚未标准化，更遑论如何在真实世界人群中实现公平、高效、可持续的筛查覆盖。

正是在这一“高期待与现实差距”的节点上，AI被寄予厚望。

二、AI赋能MCED：从“助推器”到“基础设施”的角色跃迁

综述将AI在MCED中的作用系统性地归纳为两个层面：一是已在测试开发与验证中被证实的价值，二是在真实世界临床实践中具有前景的辅助价值。

在测试开发层面，AI的作用体现在多个环节。其一，AI可从海量高维组学数据中提取微弱信号，加速发现稳健的癌症生物标志物，将复杂的肿瘤生物学转化为可规模化的血液检测工具。其二，AI可对原始测序或蛋白质组数据进行特征工程，校正批次效应、过滤噪音，将其转化为稳定的诊断变量。其三，AI通过整合多组学和跨模态数据——如cfDNA甲基化、片段组学、蛋白质组学、影像学、电子健康记录等——弥补单一组学灵敏度不足的缺陷，提升检测模型的稳健性。其四，AI还能提高组织溯源定位的准确性，帮助判断癌症可能来自哪个器官，从而缩小诊断路径、减少不必要的侵入性检查。

在临床实践层面，AI的辅助价值更为广泛。综述指出，AI可整合人口学特征、病史、生活方式和遗传信息，精准识别具有多癌高发风险的个体，实现从“一刀切”筛查向精准风险分层的转变。对于MCED阳性者，AI可辅助判断是否需要活检及后续随访策略；对于阴性者，AI也能识别因检测灵敏度限制可能被漏检的高危个体。AI还可用于模拟不同筛查策略的效果，动态调整筛查间隔和优先区域，辅助公共卫生决策。在操作层面，AI可显著减少临床工作量——例如在乳腺筛查中，AI辅助可减少放射科医生63.6%的工作量，并支持自动化随访追踪和临床试验匹配。

三、不可回避的挑战：算法偏见、泛化性与过度诊断风险

尽管AI在MCED中展现出巨大潜力，综述同样以大量篇幅剖析了当前面临的核心挑战，并指出这些挑战若不能妥善解决，将直接阻碍AI赋能MCED从理论走向临床。

首先是算法偏见问题。AI模型的训练数据若缺乏代表性，将导致在不同人群中的表现出现显著差异。例如，美国黑人的乳腺癌死亡率比白人高出41%，但AI辅助乳腺影像系统在黑人群中的假阳性率却显著更高，而在亚洲人群中则出现相反趋势。

其次是泛化性问题。当前多数AI-MCED模型基于病例-对照研究数据开发，此类数据中的癌症患病率远高于真实筛查人群。当模型应用于患病率更低、混杂因素更复杂的真实世界筛查场景时，性能往往出现“断崖式下跌”。

再次是过度诊断风险。AI提升了诊断灵敏度，但若被应用于甲状腺癌、前列腺癌等惰性癌种，可能检出大量本不会引起临床症状的病变，从而引发不必要的治疗和心理负担。

此外，数据隐私保护、监管合规、模型可解释性不足等问题同样制约着AI的临床落地。

针对上述挑战，综述提出了系统性的治理策略：政府需制定顶层监管框架（如FDA的GMLP指南）；产业与医疗系统应坚持“人机回环”模式，确保AI为辅助决策而非自主决策；学术界需推动可解释性AI研究、建立独立基准测试体系，并遵循TRIPOD-AI等标准化报告规范。只有多方协同，才能构建安全、公平、可持续的AI赋能癌症筛查体系。

四、未来图景：数字孪生与个人健康代理驱动的下一代筛查范式

综述最后描绘了一个极具前瞻性的未来图景。当前癌症筛查面临的挑战——分析性能不足、人群依从性低、操作成本高、阳性结果后管理路径不清晰——均指向一个共同根源：筛查是“单点式”的，而非持续动态的。下一代医疗AI系统正在从被动数据处理工具演变为主动决策支持系统，其核心支撑技术包括“数字孪生”和“个人健康代理”。

基于数字孪生与个人健康代理的下一代癌症筛查智能系统

数字孪生是指为个体或群体建立动态、持续更新的虚拟健康模型，可用于纵向模拟疾病演进轨迹和不同筛查策略的效果。这意味着未来的筛查方案可以基于个人实时健康数据进行动态优化，而非仅依赖年龄等固定准入标准。个人健康代理则负责执行层面的工作，包括自动结果解读、实时风险评估、个性化行为干预和就医路径导航，将筛查-诊断-随访全流程纳入闭环管理。

这一框架的核心逻辑在于：AI的角色不是让某个检测指标变得更好看一点，而是为整个癌症筛查体系重建一套基础设施——从人群风险分层、检测策略设计，到阳性结果后的路径管理，再到全流程的效率优化和动态调整。筛查将从“单次抽血查癌”升级为覆盖全生命周期的精准预防系统。

总之，这篇综述文章，系统勾勒了AI赋能多癌早检从技术原理到临床落地的完整图景。它既肯定了AI在标志物挖掘、模型优化、人群分层和路径管理等方面的巨大潜力，也清醒地指出了算法偏差、泛化不足、过度诊断和治理缺失等现实风险。更为重要的是，它提出了一个具有战略意义的观点：AI不应仅被视为提升检测性能的工具，而应作为塑造下一代精准、动态、可闭环癌症筛查体系的核心基础设施。这一框架性思考，为全球癌症早筛领域的技术研发、临床实践与政策制定提供了重要的理论指引。

参考文献：https://doi.org/10.1038/s41746-026-03047-w

进群、合作、投稿请扫码：