Nat Health | 钱学骏团队构建具备“一扫多筛”多癌筛查能力的CT基础模型|ct|乳腺癌|癌症|肺癌|钱学骏|高通量

癌症早期筛查是降低发病率与死亡率的关键环节。近年来，各国相继建立了针对不同高发癌症的筛查项目体系。然而，筛查面向的是经济、便捷、可高通量覆盖的人群需求，传统 “ 单癌种、单项目 ” 的筛查路径在时间、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。

202 6 年2月 5 日18时，上海科技大学生物医学工程学院钱学骏教授团队在NatureHealth期刊上在线发表了一篇题为Afoundation model for breast and lung cancer screening using non-contrast computed tomography的研究论文。研究团队首次构建了具备“一扫多筛”多癌筛查能力的CT基础模型OMAFound，并创新性引入“器官水平+个体水平”的双层风险评估体系，实现了对全球男性发病率第一的肺癌以及女性发病率第一的乳腺癌的同步检测。结果显示，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，为更广泛的多癌筛查提供了新的技术路径。

该研究是钱学骏教授团队与安徽医科大学第一附属医院裴静主任团队在乳腺癌早期筛查与精准诊断方向Nature Biomedical Engineering（2021、2024）系列工作的又一重要进展（详见BioArt报道：；）。

癌症是全球重大公共卫生挑战之一，至今仍位居主要死亡原因之列。2022年数据显示，全球新发癌症病例约2000万例，死亡约970万例；在人口老龄化以及吸烟、肥胖与不健康饮食等危险因素影响下，癌症负担仍在持续上升。值得注意的是，早期癌症患者的5年生存率显著高于晚期患者，凸显了在高风险、无症状人群中发展并推广更有效早筛策略的紧迫性与必要性。

目前，全球尤其是发达国家已建立多项针对高发癌症的筛查项目，例如肺癌低剂量CT筛查与乳腺癌影像筛查等。但这些项目普遍聚焦于单一癌种。面对精准医疗与个体化健康管理需求的快速增长，若仍沿用 “ 逐项检查 ” 的传统筛查模式，不仅难以支撑高通量人群筛查，还会带来时间、经济成本、辐射剂量及医疗资源占用等多维度负担。因此，探索 “ 一扫多筛 ” 、兼具成本效益的多癌早筛新策略，是提升全民健康覆盖的重要方向之一。

平扫CT，尤其是低剂量CT，提供了一种成本低、获取便捷且在多种医疗场景（体检、门诊、住院等）中广泛使用的影像学方案，即便在资源相对匮乏地区也具有较强可及性，使其成为 “ 一扫多筛 ” 的理想载体。然而，传统人工阅片流程繁琐、信息量大，且诊断一致性与准确性难以充分保证。如何借助人工智能实现精准、分层的多癌筛查，成为亟待突破的关键问题。

为此，研究团队开发了基于平扫CT的多癌筛查基础模型OMAFound（图1）。模型首先利用超过20万张CT数据进行预训练，采用自监督学习提取对设备差异、剂量变化、窗位设置等更具鲁棒性的通用CT表征；随后结合多窗位标注数据进行精细化调优，显著增强了多癌筛查能力。在多中心回顾性数据验证中，OMAFound在乳腺癌与肺癌筛查方面同时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。

除器官水平评估外，团队进一步提出 “ 个体水平 ” 的风险识别框架（图2），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，从而有针对性地引导后续的专科器官检查与精细化诊断。

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。尤为重要的是，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。这一结果契合筛查任务的核心目标 - 在可接受的误报范围内尽可能减少漏诊，提高对早期病例的捕捉能力。

OMAFound的另一突出特点是对模型可解释性的重视。由于CT并非常规乳腺癌筛查工具，模型的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。

总体而言，经济、便捷与高通量是癌症筛查的关键前提。研究团队构建的OMAFound模型为实现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。