临床 AI 肺癌筛查讨论升温：从包年吸烟史门槛转向多模态风险发现

肺癌筛查不应只看包年吸烟史，AI 驱动的风险发现正在成为新的临床思路

文章作者认为，当前围绕肺癌筛查缺口的大多数讨论，都集中在如何提高筛查参与率，例如加强外联、增加提醒、优化排程和减少电子病历中的流程阻力。但更深层的问题在于，现有筛查资格标准本身就是狭窄的，导致大量后来真正发生肺癌的人，原本根本不在筛查人群之内。

“包年吸烟史”本质上是一个过于粗糙的数据模型

当前肺癌筛查资格主要建立在吸烟史过滤条件之上，例如在特定年龄段内达到约 20 个包年或以上。作者承认，这一标准有其合理来源，因为它来自最初证明低剂量 CT 筛查可降低死亡率的临床试验人群。

但问题在于，这一标准排除了大量真实高风险人群。文章援引 Boston Lung Cancer Study 的结果称，在 7000 多名肺癌患者中，只有 46% 符合当前 USPSTF 筛查标准，超过一半的人实际上不会被筛出来。

而且，被排除的人群并不是随机分布的。文章指出，这部分人更多地集中在从不吸烟者、低包年吸烟者、女性，以及风险主要来自环境暴露而非烟草的人群中。南方社区队列研究的数据也显示，在最终发展为肺癌的吸烟者中，只有 32% 的非裔美国患者符合筛查资格，而白人患者的这一比例为 56%。

作者把这一问题类比为机器学习建模：包年吸烟史只是一个单一、自报、带硬阈值的特征，却被用来替代一个复杂、多因素的真实风险分布。它既无法纳入空气质量、职业暴露、家族史或生物标志物等信号，也不是连续风险评分，而是一个简单的二元闸门。

真正的转变应从“筛查资格”转向“风险发现”

作者认为，更有意义的方向，是从围绕单一标准的人群筛查，转向基于风险的 case-finding，也就是利用一切可获取的预测信号，更系统地识别高风险个体，再把他们引导到合适的进一步评估流程中。

文章指出，传统筛查是从扫描设备出发，先问“谁符合资格”；而 case-finding 是从更上游的日常数据和可及信号出发，先问“我们漏掉了谁”。

作者认为，这一思路已不再是边缘观点。2026 年版 GOLD 报告已正式加入 case-finding 算法，以及对漏诊问题的框架讨论，还首次新增了关于人工智能与新兴技术的专章。报告的立场并不激进，而是强调这些工具有潜力帮助识别未被发现的患者，但在部署前必须认真处理泛化性与偏差问题。

对健康 IT 和临床工具设计者的三点启发

文章认为，如果要构建真正可部署的肺癌风险发现工具，至少有三点必须成立。

第一，输入层必须超越吸烟史。一个值得部署的 case-finding 模型，需要纳入环境与职业暴露、人口统计学风险因子、相关生物标志物，以及来自常规就诊的纵向信号，而不是只依赖一个包年字段。

第二，代表性不是附带的公平议题，而是安全属性。因为最容易被包年标准漏掉的人群，正是这类工具存在的原因。如果模型训练主要依赖西方吸烟队列数据，那么它在这些关键人群上的校准就很可能失败。

第三，工作流设计必须明确区分“提示风险”和“给出诊断”。case-finding 工具的价值，是帮助医生判断谁值得被进一步关注，而不是宣称自己已经检测出疾病。风险信号如何在电子病历中出现、由谁处理、如何触发下游评估流程，才是真正决定现实价值和现实风险的地方。

结论

作者认为，肺癌早筛领域真正最大的杠杆，不是让更多人遵守一个本身就会漏掉大多数病例的资格规则，而是改变“前门”设计，把筛查入口从单一吸烟史复选框，改成基于数据驱动、连续风险评估的发现型工作流。

在作者看来，证据和指南都已经开始转向，接下来真正需要补上的，是支撑这种新流程的基础设施。