EAGLE：平扫CT+AI筛查食管癌，8万例多中心验证敏感度90%、特异度98.5%

核心要点

• 问题：食管癌早期症状隐匿、确诊时多为晚期；标准筛查手段上消化道内镜具侵入性、受资源与依从性限制，普及困难。平扫CT虽普及，但食管是狭长易塌陷的空腔器官，早期病灶藏在黏膜层，影像科医生难以肉眼识别。
• 方法：阿里达摩院联合四川省肿瘤医院、中山大学肿瘤防治中心等机构，开发食管AI引导恶性病灶评估模型 EAGLE，把内镜检查报告与增强CT上的精确病灶位置"配对"到平扫CT，训练两阶段模型实现"先定位食管、再判断病灶"。
• 结果：在 3 个国家 12 个中心共 80,612 例患者上验证；机会性筛查场景下特异度 98.5%、癌症敏感度 90.0%、癌前病变敏感度 52.5%；真实世界低剂量筛查特异度达 99.94%。
• 意义：有望把食管癌防治关口前移——无需额外检查，从已有的胸部平扫CT里"顺带"发现被忽略的食管癌风险，为高危个体精准转诊内镜提供依据。
• 原文：Large-scale esophageal cancer screening through noncontrast computed tomography and artificial intelligence，Nature Medicine，2026-09-22

1. 食管癌的临床挑战：早发现难、内镜筛查普及难

食管癌（esophageal cancer）是我国高发、致死率高的消化道恶性肿瘤之一。据国家癌症中心统计，我国每年新发食管癌约 22 万例、死亡约 19 万例，负担约占全球一半。更棘手的是，早期食管癌几乎没有症状，多数患者只是"喉咙不适、进食有异物感"，很容易被当成咽炎一带而过，等到确诊时往往已是中晚期，错失根治机会。

这道坎卡在筛查上。目前食管癌的标准筛查手段是上消化道内镜（endoscopy），但内镜具侵入性、操作复杂、患者依从性不高，受医疗资源和地域条件限制，普及存在较大缺口。若能早发现，大部分早期食管癌可通过内镜下微创手术根治，5 年生存率可达 95% 以上——关键就在于"早"。

胸部平扫CT（noncontrast computed tomography，NC CT）成本低、接受度高、扫描范围天然覆盖食管，低剂量平扫CT更是肺癌筛查的推荐手段。但食管是狭长、易塌陷的空腔器官，早期病变隐匿于上皮层和黏膜，叠加心脏与大血管的运动伪影，影像科医生很难从平扫CT中识别人眼难以分辨的早期病灶。这正是"医学影像AI诊断"想攻克的难题：让 AI 从已经拍摄的平扫CT里，找出那些被忽略的食管癌线索。

2. EAGLE的核心创新：把内镜里的病灶位置"搬"到平扫CT

研究由阿里达摩院联合四川省肿瘤医院、中山大学肿瘤防治中心等机构完成，2026 年 9 月 22 日在线发表于 Nature Medicine。模型名为 EAGLE（Esophageal AI-Guided malignant Lesion Evaluation，食管AI引导恶性病灶评估）。创新集中在三点。

第一，攻克"平扫CT看食管"这个曾被视作不可能的任务。团队利用多年医疗影像AI积累，创新地把内镜检查报告和增强CT影像上的准确病灶位置配对到平扫CT影像上，让模型学会识别人眼难以分辨的早期食管癌病灶。这一思路与此前通用腹部CT诊断AI RADAR用视觉-语言学习对齐影像与报告的做法一脉相承，同属达摩院"平扫CT+AI"技术路线。

第二，两阶段"先定位、后诊断"。模型先用分割网络精准圈出食管区域，排除周围结构干扰，再对食管区域精细分析，输出良恶性分类、病灶分割掩膜和 AI 关注区域热力图，让判断依据可见、可复核。

第三，低剂量CT性能不下降，可无缝接入肺癌筛查流程。模型在低剂量CT（low-dose CT，LDCT）上的表现与常规剂量相当，意味着它不需要患者额外做一次检查，就能"顺带"完成食管癌风险筛查。

3. 技术原理：先定位食管、再判断病灶的两阶段模型

EAGLE 的核心机制可概括为"分割定位 + 分类诊断"的两阶段流程。第一阶段，分割网络（segmentation network）在胸部平扫CT上定位并勾画出食管区域，把食管从周围心脏、大血管、脊柱等结构中"拎"出来；第二阶段，模型对食管区域做精细分析，输出良恶性分类、病灶分割掩膜，并生成 AI 关注区域的热力图（heatmap），提示医生 AI 判断的依据在图像上的哪个位置。

需要说明，这是一个研究模型，论文报告的是其在多中心筛查队列中的诊断性能，尚不构成已完成注册、可直接投入临床的获批产品。它测试的是"筛查分诊"能力，而非替代内镜做最终确诊——它的作用是筛出高风险个体，再转介内镜确认。

4. 数据说话：8万例多中心验证，敏感度90%、特异度98.5%

论文核心结果来自大规模多中心验证，归纳如下。

论文在 3 个国家 12 个中心共 80,612 例患者上完成了机会性与人群筛查两种场景的验证。在机会性筛查外部测试队列（8 个中心、11,466 例）中，模型特异度达 98.5%，对癌症的敏感度为 90.0%，对信号微弱的癌前病变敏感度为 52.5%。在真实世界低剂量筛查队列（10,959 例）中，特异度进一步提升到 99.94%。需要强调的是，这是以筛查分诊为目的的回顾性多中心验证加部分前瞻验证，阳性预测值 42.2% 意味着仍有一定比例假阳性，最终确诊仍需依赖内镜与病理。

5. 从实验室到临床：应用前景与局限

可能的应用场景包括：把 EAGLE 接入现有的肺癌低剂量平扫CT筛查流程，让一次检查同时提供食管癌风险提示；在食管癌高发地区（如四川川东北地区）用作人群机会性筛查，筛出高风险个体再精准转诊内镜；作为放射科医生阅片时的"第二双眼睛”，提示容易漏看的早期病灶。

局限至少三条。其一，机会性筛查对癌前病变的敏感度仅 52.5%，早期扁平病灶仍易漏检，阳性预测值 42.2% 也意味着存在假阳性，不能直接替代内镜确诊。其二，多数结果为回顾性多中心验证，真正的前瞻性随机对照证据尚缺，论文也明确"建议把高风险个体转诊内镜以提高筛查效率"，其临床获益仍需进一步前瞻研究确认。其三，模型性能依赖平扫CT的图像质量与设备差异，在不同厂商设备、不同人群上的泛化仍需更充分的独立外部验证。

6. 结论与产业启示

EAGLE 给出一个清晰信号：食管癌的早期筛查可以不再依赖侵入性内镜，仅凭已经拍摄的胸部平扫CT，AI 就能以 90% 的敏感度、98.5% 的特异度筛出高风险个体，在低剂量场景特异度更高达 99.94%，有望把防治关口前移。

对医疗AI产业有三点可执行建议：一是把"平扫CT+AI"作为一种低成本、可规模化的癌症筛查路径优先布局，用已有影像资源创造增量价值；二是构建"分割定位 + 分类诊断"的可解释两阶段范式，让 AI 判断依据可见、可复核，便于医生信任与质控；三是正视筛查分诊与确诊之间的边界，落地时用内镜与病理作为最终金标准，并以前瞻性研究补齐临床获益证据。归根结底，可靠的"医疗AI解决方案"应让 AI 做筛、让医生做诊，各司其职才能真正惠及患者。

相关问题

Q：EAGLE 现在能直接用于临床食管癌筛查吗？

A：还不能。它是一项以回顾性多中心验证为主、含部分前瞻验证的研究，尚非获批产品。论文结论是"有潜力成为可规模化的早期食管癌筛查工具"，正式落地还需前瞻性随机对照证据与监管审批。

Q：它会替代胃镜/内镜检查吗？

A：不会。EAGLE 的作用是筛选高风险个体再转诊内镜，让内镜更精准、提高检出率，最终确诊仍依赖内镜与病理。它测的是"筛查分诊"，不是"替代内镜确诊"。

Q：它测试的是完整产品，还是研究模型？

A：是研究模型。论文报告的是 EAGLE 模型在多中心队列上的诊断性能，尚未经历产品化、注册与临床部署，属于"筛查分诊"能力验证，而非已可上市销售的临床产品。

参考文献

1. Zhou J, Guo G, Yao J, et al. Large-scale esophageal cancer screening through noncontrast computed tomography and artificial intelligence. Nature Medicine. 2026. DOI: 10.1038/s41591-026-04656-4
2. Ardila D, Kiraly AP, Bharadwaj S, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose computed tomography. Nature Medicine. 2019;25:954–961. DOI: 10.1038/s41591-019-0447-x
3. Aberle DR, Adams AM, Berg CD, et al. Reduced lung-cancer mortality with low-dose computed tomographic screening. New England Journal of Medicine. 2011;365:395–409. DOI: 10.1056/NEJMoa1102873

本文基于 Large-scale esophageal cancer screening through noncontrast computed tomography and artificial intelligence 的独立解读，仅供学术交流，不构成临床建议。