FDA批准的肺栓塞AI在67869例真实世界CT中敏感度跌破审批基准，亚段栓塞降至72.9%

数据视角 × AI技术供应商/创业者 ｜ 事实报道 × 医院信息化/临床医生 ｜ 深度研报

肺栓塞是心血管死亡的主要原因之一，漏掉一次可能就是一条命。一款拿到FDA批准的AI，审批材料里的成绩单相当漂亮。可当研究者把它放进17家医疗机构、67869例真实CT里重新考一遍，敏感度跌破了审批基准，其中最容易漏的亚段栓塞只剩72.9%。审批时的考卷和临床里的病人，到底差在哪儿？

开场：审批基准与真实世界之间的那道缝

可以这样理解这件事。一款AI软件要拿到FDA批准，走的是510(k)这条路：申办方提交一批测试数据，证明自己在这个任务上足够可靠。这批数据通常由申办方准备，经过挑选——图像质量过关、病例标注清楚、阳性比例合适。

临床里发生的完全是另一回事。凌晨三点的急诊CT可能来自体型偏大的患者，呼吸伪影明显；门诊那张增强CT本来是查肝脏的，谁也没想到会扫到肺动脉里的栓子。前者是考卷，后者是日常工作，两者的难度分布不一样。

Emory University School of Medicine（埃默里大学医学院）放射与影像科学系牵头的这项研究，就是把两套标准放在一起比。研究在一个覆盖17家医疗机构的学术医疗系统内，回顾性评估了两款已获FDA批准的算法，两款出自同一商业平台Aidoc Medical BriefCase：一款用于专用CT肺动脉造影（CTPA）上的肺栓塞分诊，另一款用于常规增强CT上的偶发肺栓塞（iPE）检出。成果发表于npj Digital Medicine，2026年10月21日上线。

67869例CT给出的答案：敏感度跌破基准

两款模型加起来考了67869例CT：30678例专用CT肺动脉造影，加上37191例常规增强CT对照。规模的意义在于，它大到足以让审批材料里那些被平均掉的问题浮出水面。

参考标准怎么来的也值得说一句。研究者没有让人一份份重新标注，而是用一套经过验证的大语言模型流程从放射科报告里抽取标签，准确率97%，一致性κ=0.94。这是一条工程上高效、但对数据从业者更有启发的信息：真实世界评估的瓶颈，正在从「有没有模型」转向「有没有可信的标签」。

结论是这样的。

肺栓塞分诊模型：敏感度86.8%，特异度99.1%。偶发肺栓塞检出模型：敏感度73.5%，特异度99.8%。

原文给出的判断更直接：两款模型的敏感度都低于FDA审批基准，特异度则超过了获批时的水平。把这句话拆开看，AI在真实世界里变得「更保守」了——它很少误报，但会放过一些真阳性的病例。对肺栓塞这种漏诊代价极高的病，方向的偏离比数值的偏离更值得警惕。

亚段栓塞72.9%：最需要AI的地方反而最弱

肺栓塞按位置分几档：骑跨在肺动脉主干分叉处的是鞍状栓塞，往下是肺叶、肺段，再往下才是亚段。越往下，血管越细，栓子越小，人眼越容易漏。

而AI的表现，恰好沿着这条路径一路下滑。

鞍状栓塞敏感度99.3%，一路降到亚段栓塞的72.9%；急性肺栓塞89.7%，非急性降到65.3%。

这个梯度的形状很关键。它说明模型并没有学会某种人类不具备的识别能力，而是复现了人类读片者的困难结构：靠中心、典型、对比度高的病灶它抓得住，靠外周、不典型、非急性的它一样吃力。研究者自己的表述是：外周与非急性栓子上性能的衰减，与已知的人类读片者局限如出一辙。

这恰恰是最需要AI补位的地方。亚段栓塞诊断争议大、漏诊率高，临床上正是指望AI当第二双眼睛。结果是，在最需要它的那一档，它给出的敏感度是72.9%——每四个亚段栓塞，大约有一个会被放过。

对供应商与创业者，这里有一个具体的产品含义：整体敏感度这个数字会骗人。一款在鞍状栓塞上接近满分的产品，只要人群里亚段占比高，真实世界表现就会被拉下来。分层报数不是可选项，而是产品说明书的一部分。

这里也要说清边界。这是回顾性研究，标签由报告抽取而非统一的前瞻判定生成；数据来自单一学术医疗系统、单一商业平台的两款算法，换成别的厂商或别的地区未必成立。作者声明未获得专项资助，Aidoc提供了聚合预测输出，但未参与研究设计、数据分析、结果解读或文稿撰写——这些是评估时必须记录的背景。

冷静观察：真实世界性能该不该触发重新审评

先给一个明确判断：单次研究结果不足以触发重新审评，但足以改变采购与监测的默认动作。

从数据链路看，最值得记的是方法本身。用经过验证的LLM流程从放射科报告里抽标签，把真实世界评估的边际成本压到了可以常做的水平。过去上市后监测做不动，卡点一直在标注成本——要评价几万例，就得有几万例的金标准。这条路一旦走通，监测就从「偶尔做一次」变成「可以持续做」，而持续监测恰恰是捕捉性能漂移的唯一手段。

从合规角度看，争议点在于落差的性质。特异度超过基准、敏感度低于基准，两者不是同一类问题：误报多会让医生产生警报疲劳，漏报多会直接危及患者。对肺栓塞分诊这类用途，漏报的方向性风险远大于误报。现行审批给出的是一个静态基准，而真实世界性能是一个随时间、随人群、随设备漂移的变量，两者之间本来就存在结构性错配。作者的呼吁也落在这里：需要为AI赋能的医疗器械建立标准化的上市后监测。

落到医院一侧，两件事现在就可以做。其一，把分层性能写进采购验收条款——按栓子位置、按急慢性分别约定敏感度下限，而不是只谈一个总数；本院的急诊构成决定了这个分布，厂商的平均数回答不了。其二，把本院的AI预警与最终诊断做常规比对，用报告抽取这类低成本方法跑自己的监测曲线，一旦敏感度连续下滑就触发复评。审批基准回答的是「能不能上市」，真实世界性能回答的是「在谁手里、在哪种病人身上可靠」——后者不是前者的补充，而是另一套必须独立运行的度量。

原文链接：npj Digital Medicine（Nature）

千方医数集编辑部 出品