结核病AI初筛：CT影像系统的可落地样本
在结核病高发地区，每延迟诊断一天，就可能加剧疫情扩散。
据国内研究数据显示，一款AI结核识别系统在三家专科医院的真实部署中，准确率超90%，并将医生工作量减少近半，为资源紧张地区提供了可落地的临床决策支持工具。
从实验室到病房：AI在结核诊断中应试上岗
在全球传染病名单上，结核病长期位列“头号杀手”，而活动性肺结核是疾病传播的主要源头。
传统放射科医生依靠CT影像识别活动性结核，常被病灶的多样性所困，空洞、结节、渗出灶、树芽征交织一体，误诊率居高不下。
这项来自中国三家结核专科医院的研究，首次在高结核流行环境下验证AI系统实际诊断能力。
AI系统I-Sight 2.0并非停留在算法性能，而是经过临床级的真实部署验证，系统在1741例CT扫描上进行了独立测试，涵盖活动性结核、肺炎、肺结节及正常病例。
AI系统基于U-Net架构开发，能自动分割病灶并生成3D病变模型，其在四种应用场景下接受评估：
- 异常（ATB、肺炎、结节）与正常对照的区分
- ATB与正常的靶向筛查
- ATB与非ATB（含其他异常和正常）的广义鉴别
- ATB与其他异常（肺炎和结节）的精细区分
流程图，数据来自高负担环境，模拟真实临床挑战
结果显示，AI系统在场景一和场景二中表现卓越。区分异常与正常时，三家医院的AUC均超0.9（医院A：0.943；医院B：0.923；医院C：0.950），灵敏度达85.9%–95.9%。尤其在ATB靶向筛查中，AUC全面突破0.95，特异性高达95.5%–99.2%，近乎实现“零漏诊”。这表明AI可作为高效分诊工具，优先处理高危病例。
ROC曲线直观呈现系统稳定性，其中场景二（ATB vs正常）的曲线紧贴左上角，预示高精度
但在复杂场景中性能有所波动。场景三（ATB vs非ATB）的AUC降至0.829–0.9，场景四（ATB vs其他异常）进一步滑落至0.762–0.906。特异性下降主因是ATB与肺炎、结节影像特征重叠（如斑片影、树芽征），导致相互误判。Fig.3的混淆矩阵显示，假阳性多源于结核病灶内结节样病变，假阴性则与结核性肉芽肿相关。
医院C的假阳性率较高，反映其病例影像更复杂，提示需本地化调优
除医院C在复杂场景有下降外，系统跨中心适用性良好
为适配高负担医院需求，研究测试了高灵敏度阈值（80%–90%）。如表2所示，在此范围内特异性仍保持稳定（医院A和B在0.7–0.9之间），证明AI可在控制假阴性同时减少假阳性，缓解医生复核压力。
影像对比揭示，医院C的假阳性病例（c）呈非典型特征，如模糊实变，警示需加强数据多样性
本研究局限性包括未纳入治愈结核病例，且回顾性设计可能引入选择偏倚。
未来需前瞻性验证并在社区环境测试成本效益。但毫无疑问，AI系统已证实在专科医院的可集成性，既可以作为第一步自动初筛，也可为医生提供二次校验，削减主观差异。
部署策略的胜利
这套系统的落地成功，不仅是因为技术的突破，更是因为其优秀的部署策略。
I-Sight 2.0并未依赖单院数据，而是从五家医院、两百万级CT图像中预训练。
这种跨域学习策略让模型对不同设备、不同病理分布具备适应性，为部署铺平道路。
研究者还提出了两种运营模式，一是在CT成像后由AI先筛查，能削减60%以上的医生初筛工作量）；
二是在医生判阴后由AI做二次复核，防止漏诊。
这两种路径均指向同一目标，让AI嵌入医院生产线，而非仅作为科研产品。
据国外医疗AI市场监测机构数据显示，未来三年内，在呼吸系统疾病高发国家，AI影像筛查系统的ROI将超过传统PACS系统的1.8倍。
这意味着，高质量AI模型的临床部署将成为医疗数字化基础设施的新核心。
该系统未来可拓展为：
结合电子病历与实验室数据，实现结核活动度的多模态评估；
与公共卫生系统对接，形成自动上报与追踪链路；
部署至社区级影像中心，实现AI先筛查、医生再确诊的双层防线。
