基于非增强CT深度学习结直肠癌筛查模型

广东省人民医院刘再毅教授与阿里巴巴达摩院团队等，研究开发并验证了名为COCA的深度学习模型，能在常规非增强CT扫描中检测结直肠癌。研究者开展了国际多中心队列研究，并进行了真实世界验证。COCA在检测结直肠方面显示优异性能，显著优于放射科医生，并可在胸部CT等非完整肠道覆盖的扫描中实现有效筛查。（Ann Oncol. 2026年4月21日在线版）

研究首次验证了平扫CT结合深度学习可精准检测结直肠癌，突破传统需增强或肠道准备的局限。采用混合监督学习与双版本模型，具有高特异性和敏感性，适配大规模机会性筛查与高危人群筛查。验证了胸部CT（部分肠段可见）的可行性，引入困难样本挖掘与增量学习实现模型动态升级。

COCA提高了检出率并减少漏诊，AI辅助下医生敏感性提升20.4%，发现了真实世界中多次漏诊的结直肠癌，避免了治疗延误。适用于<45岁年轻人群、急诊/住院等场景，无需额外检查或患者配合，扩大了筛查覆盖面。COCA效能优于主流非侵入性检测，高特异性达99.8%，显著减少不必要的结直肠镜转诊，兼具成本效益与高依从性。

尽管有结肠镜、CT结肠造影、胶囊结肠镜、多靶点粪便DNA检测及cfDNA血检等多种筛查手段，但这些手段应用均面临一定挑战。结肠镜有侵入性，患者常因疼痛和尴尬感依从性低，CT结肠造影虽创伤小，但仍需肠道充气带来不适。粪便DNA检测和cfDNA血检虽为非侵入性，但前者因粪便采集意愿低而依从性差，后者因对早期癌前病变敏感性不足增加漏诊风险。当前筛查指南主要覆盖45岁以上人群，年轻人群结直肠癌发病率正在攀升，经济欠发达地区医疗资源匮乏、认知度低，进一步限制筛查覆盖率。每年有数千万常规非增强腹部盆腔CT扫描（创伤、腹痛或肿瘤分期等），这些扫描常包含结直肠区域，但传统认为非增强CT因软组织对比度差、影像特征不特异，未被用于结直肠癌筛查。近年来，AI在非增强CT上检测胰腺癌和食管癌等肿瘤方面显示潜力，利用非增强CT进行结直肠癌检测未被探讨。

该研究旨在开发并验证名为COCA的深度学习模型，利用常规非增强CT（包括腹部/盆腔及胸部）实现高精度结直肠癌检测。构建一个联合病灶分割与分类的多任务学习架构，并通过混合监督策略利用来自两个中心1321例结直肠癌患者和1357例正常对照者进行模型训练。评估了COCA在内部测试队列（528例）中的诊断性能，并与十名不同年资放射科医生进行对比，随后在国际多中心外部验证队列（中国和捷克的4个中心共1547例患者）评估其泛化能力。将COCA应用扩展至胸部CT（1243例），并检测晚期癌前病变（内部77例，外部55例）。通过两个医院的真实世界多场景连续患者队列（共27 433例）中，验证COCA在急诊、门诊、住院及体检等场景中的实际效能，评估其减少漏诊、辅助治疗决策的安全性和经济性。

结果显示，COCA在内部测试集的AUC为0.992，敏感性和特异性分别为91.8%和98.8%，外部测试集分别为0.979、86.1%和99.5%，胸部CT测试集的敏感性和特异性分别为81.8%和99.9%。10名不同经验放射科医生有无AI辅助下的诊断表现，AI辅助提升敏感性20%以上，特异性5.4%以上。两个真实世界验证集敏感性、特异性、PPV分别为88.2%、99.5%、48.4%和86.6%、99.8%、63.4%。癌前病变检测敏感性内部和外部队列分别为61.0%和45.5%。Ⅰ期结直肠癌检出敏感性≥83.3%。

研究解读

该研究开发了一种基于非增强CT和深度学习的新型结直肠癌筛查模型COCA，并在多中心国际队列中进行了系统验证。研究表明，COCA在内部和外部验证集中均表现出极高的诊断性能，显著优于不同年资放射科医生，可提高敏感性20%。在真实世界连续27 433例患者中，COCA保持敏感性86.6%~88.2%，特异性99.5%~99.8%，并成功检出了5例初始影像学报告漏诊的结直肠癌。高敏感性版本对早期结直肠癌（Ⅰ期敏感性83.3%~92.2%）和晚期癌前病变（敏感性45.5%~61.0%）具有检测效能，且模型在胸部CT部分肠段覆盖下仍可行（敏感性81.8%）。通过增量学习升级的COCA Plus进一步降低漏诊率、提高阳性预测值。COCA利用常规非增强CT实现非侵入性、无需肠道准备、低成本、可大规模部署的机会性结直肠癌筛查，弥补了现有筛查手段依从性低、覆盖不足的缺陷，有望降低结直肠癌筛查漏诊率和改善患者预后。（编译 崔奕棠）