全球每年约有130万儿童患上结核，却有超过一半从未被确诊。

因为在儿童胸片中，结核并不显眼，没有典型空洞，影像模糊，连资深放射科医生也常常看不准。

近日一个国际团队在自然科学杂志宣布了重大研究突破，提出了首个真正意义上的多视角深度学习系统

——pTBLightNet。

它通过正侧双视角+成人迁移训练，让AI首次学会识别儿童胸片中隐匿的结核模式，诊断准确率跃升至AUC 0.903。

全球诊断困局：被忽视的750万儿童

据世界卫生组织数据，全球每年约有750万儿童感染结核杆菌，其中约130万发展为结核病，但大多数死于“未确诊”。

根本原因在于：

1.  影像学特征不典型，儿童结核常以纵隔淋巴肿大、轻度浸润出现，而非成人典型的空洞病灶

2.  样本获取困难，幼儿咳痰量低、细菌载量小，实验室检测敏感度差

3.  影像解读主观，人工判读易与肺炎、哮喘等混淆

即便是目前商用 AI工具（如CAD4TB），在儿童胸片上的表现也令人失望。

据国外数据，成人 AI系统在儿童胸片的AUC仅为0.58–0.70，明显低于临床可用标准。

人工诊断主观且耗时，尤其在医疗资源匮乏的地区，误诊和漏诊率居高不下。

研究突破：pTBLightNet的技术革命

pTBLightNet的关键创新在于：它不再仅依赖正位胸片（PA/AP），而是引入了正侧双视角（Multi-view）学习框架。

在临床上，侧位片能揭示纵隔与淋巴结结构，是判断儿童结核最关键的线索之一。

pTBLightNet利用这一点，设计了两个并行的特征提取分支：

一支解析正位胸片，识别肺实质与空腔征；

另一支解析侧位胸片，捕捉纵隔肿大与压迫迹象。

两者通过多层感知机融合后进行联合判别，形成更接近临床思维的诊断模式。

结果显示：

加入侧位影像后，模型在5岁以下儿童的AUC提升了2%–10.6%，有效减少漏诊。

数据策略：用成人胸片预训练

pTBLightNet并非从零训练，而是先在11.4万张成人胸片上进行预训练。

这些影像覆盖多种胸部疾病，而非仅限结核，使模型先学习正常与异常的影像语义，再迁移至儿童任务。

实验表明：

直接用儿童数据训练的模型AUC为0.83；

经成人预训练再微调后提升至0.903；

训练效率提高7.5%，数据需求减少近40%。

这一策略也为 AI医学模型带来了关键启示：

在数据稀缺的医学场景中，跨人群迁移学习比单一精调更高效。

分龄智能：儿童不是小号成人

研究团队进一步按年龄构建了两类模型：

YC模型（<5岁）：识别早期感染与隐匿性淋巴肿大

OC模型（5–18岁）：捕捉更典型的空腔性病灶

结果显示：

年龄特异模型在对应群体上均超越全龄模型，其中OC模型以60%更少训练数据达到更高准确度。

这一发现首次系统性证明：

AI医学诊断应按生理阶段而非疾病类型建模。

结果验证：跨国数据考验

在研究了来自莫桑比克、西班牙、美国三地共918例儿童胸片上验证模型后，AUC仍达0.682。

在独立阴性样本上，模型的误判率低于15%，针对0–3岁幼儿的准确率更高达95.1%。

可解释性可视化（Grad-CAM）显示，AI聚焦的高亮区域与医生诊断一致，集中在肺门淋巴区与下叶实变处。

这证明它学到的是真实病理模式，而非统计假象。

AI医疗模型开发路径被确定

儿科数据集稀缺是全球性难题，pTBLightNet的研究表明，大规模成人数据是构建儿科 AI 模型的最有效知识库。

从零构建儿科知识库的项目将在效率上落后。

医疗 AI投资方和开发者或将把 预训练模型视为项目启动的必要条件。

pTBLightNet的核心意义更在于普适性

它能运行在低资源地区的标准X光机上，

不依赖昂贵CT或实验室检测，

为每一张儿童胸片提供自动化结核兼容评分。

这意味着：

一名基层医生 + 一台普通X光机 + 一个pTBLightNet模型，即可早期识别出90%以上可疑儿童病例。